虽然这次AGI技术浪潮到底是一场新的技术革命还是信息技术革命的一次延续，尚存争议，但没有疑问的是，了解之前几次技术革命对于我们理解当前的AGI可能的后无疑非常有帮助。借助于之前几次技术革命的共享，也可以帮助我们回答当前一些疑问。

一、前5次技术革命

卡萝塔·佩蕾丝在她那本研究技术革命的经典作品中指出，每次技术革命都有固定的周期规律，大致上可以分为4个阶段：爆发期（创新并构造新范式）、狂热期（金融投机和泡沫，又称镀金时代）、协同期（金融与生产重新耦合，监管介入，新范式广泛扩散带来“黄金时代” ）和稳定期（生产资本主导的稳定增长）。

图一：技术革命的生命周期

每次技术革命均经历了大约半个世纪，推动了经济的长期发展，同时也重构了行业结构、社会认知和政治经济制度。这样的技术革命已经发生了5次：

当标志性的技术创新出现后，技术革命进入了爆发期，这个阶段基于新的技术范式构建出新的产品和企业，它们提供了旧模式无法匹敌的价值优势，因此迅速形成了一批新的财富阶层；同时旧产业/掌握传统技能的人在行业和职业竞争中失败，形成了大量的失业人群；更重要的是在经历过新产业/新基础设施惊人的增长率和利润率后，金融资本陶醉于更高的利润并期待所有投资都能获得同样的高回报，其在新技术的投资上变得更激进、短期主义，而新技术进一步广泛推广需要的制度基础、观念/认知基础还没有形成广泛的共识，这些因素都会限制新范式的广泛推广，进而使金融资本和生产资本脱钩，形成资产泡沫，股市也相应地变成了一个“赌场”——这就是技术革命中的狂热期。

以第五次信息和知识社会的技术变革为例，当1971年Intel推出微处理器之后几年，乔布斯（1976年）和比尔盖茨（1975年）分别创立了自己的公司，希望在微电脑行业一展抱负，分别推出了Apple电脑和Basic解释器（并在80年代初收购/修改/推出了DOS操作系统），很快他们都获得了成功。整个爆发期一直延续到80年代，而在九十年代进入了狂热期，最终泡沫在世纪交替的那2年内破碎了，之后就是协同期和成熟期，整个世界的财富都在21世纪的这20年内获得了高速成长。

第五次技术革命的非凡成功，还有一个偶然的因素：苏联解体，两级对立的世界格局变成了美国独大，它在一定程度上保证了全球统一大市场和全球化成为可能。这个政治变迁并不是技术革命引发的，但却使此次的技术革命有机会惠及更多的人类。

二、AGI引发第6次技术革命

对于AGI浪潮是否引发第6次技术革命，是一个有争议的话题：《技术革命和金融资本》的作者卡萝塔·佩蕾丝认为它是第5次技术革命的一个延续；埃里克·布林约尔松（Erik Brynjolfsson）和安德鲁·麦卡菲（Andrew McAfee）在其著作《机器、平台、人群：驾驭我们的数字未来》中强调了未来智能代理的巨大红利，将引发剧烈的社会变革，向去中心化、自组织参与者的转变；《国家为什么失败》的作者达龙·阿西莫格鲁（Daron Acemoglu）则在《人工智能的简单宏观经济学》中支持缓慢、深入整合而非爆发性新革命的观点。

去预测技术革命未来的增长潜力，以及对社会带来的深刻变化，诚然是一件困难的事。当卡内基的酸性转炉炼钢工厂出现时，有人会联想到因此发展出的全球航运和全球铁路这样的基础设施吗？当前的学者以目前、直接的GenAI价值去估计其未来的影响，结果可能偏于保守。技术革命之所以影响重大，最重要的原因在于其早期关键技术会刺激、促进更多相关的技术和产业创新与变革。从更广阔、长远的角度看当前AGI呈现的特点，大概率这是一次技术革命的开端：我们越来越清楚地看到AGI的发展有可能颠覆多个行业。

因为GenAI的持续发展，当前存在的很多软件有可能被重构，同时软件行业的开发模式也可能要产生巨大的变化。虽然很多软件已经整合了AI能力，但是真正好用的还很少见，特别是在传统软件中插入AI功能的这种模式表现最明显。这也许有当前AI能力局限的问题，但更大的原因来自当前在软件中使用GenAI的方法，YC的Pete Koomen就怀疑当前的这些模式很像蒸汽时代初期“无马的马车”，它们之所以不好，是因为它们 模仿了构建软件的旧⽅法，不必要地限制了构建它们所使⽤的⼈⼯智能模型。¹

对于软件行业另一个颠覆在于，我们已经清晰地看到AI智能代理可以替代大多数初级软件开发者的工作，但还无法替代中高级人员，包括需求分析、架构设计人员的工作。这无疑会带来一个问题，如果没有初级的职位给有潜质的人来磨砺、成长，后续中高层级的人从何而来。当前规模化裁剪初级开发人员的情况已经开始，持续的人才培养问题如何解决尚需拭目以待。

医疗行业是另一个将产生重大变革的领域，这里面不止于药物研发，更重要的是在诊断治疗方面。当前对疾病的诊断缺少全面的个人身体数据（电子病历远远不够）、也缺乏医生资源而使其过于疲惫、难以详细了解每个病人更全面的情况，同时非必要的检查和误诊的现象非常普遍。据估计在美国，“8000万次CT扫描中，有30%～50%是不必要的”。正在缓慢兴起的“深度医疗”，希望在3个方面进行整合，让我们看到解决当前问题的希望：1、深度表型分析，包括个人医疗数据、社交数据、行为习惯、家族史以及基因测序等生物学数据；2、GenAI，不但可以辅助医生诊断还可以用来提高看护质量并用远程家庭监控减少对医院病房的需要；3、人类医生拥有更多的时间精力来深度共情和深度联结患者。²

AGI向前发展最有挑战也最有意义的应该是具身智能了，具身智能的概念正在引领一场深刻的范式转变。具身智能不仅是对机器人物理形态的智能化，更是哲学和认知科学融合的体现——强调智能的产生和发展源自智能体和环境之间的动态互动。与传统AI依赖大量数据和算法不同，具身智能更侧重通过感知、探索和实验与物理世界互动来学习。具身智能通过模仿人类学习过程，实现更加自然和灵活的智能行为，相信具身智能的成熟是出现科幻电影中设想的机器人类型的前提，当这种情况出现时，人类生活、组织、社会制度必然将发生颠覆性变化。

三、几个有趣的问题

前面讨论那么多技术革命的问题，并不是为了了解一个概念，而是希望通过理解历史上几次技术革命，帮助我们回应当前的重要问题。从个人的角度对3个问题的答案有着持续的兴趣：

1. 当前未到金融投资泡沫形成之时

当我们了解之前几次技术革命和金融资本之间的关系后，不难理解当前应该处在爆发期甚至更早地酝酿期，不具备形成2000左右那种类型的金融泡沫的条件。当前AI上的投资极少部分来自风险投资，更多来自企业自身的资金，这种情况下资金的使用是偏理性的，较难造就金融泡沫。只有当前AI投资出现多个回报惊人的投资案例，同时新技术造就的财富阶层也开始出现时，才具备泡沫形成的条件。届时会有众多（远比现在多得多）的创业者投入进去，希望成为时代造就的新富豪或成功者；而风险资金会担心错失机会而更激进、更大规模的投入，希望较短的时间获取惊人的回报。这时社会会进入镀金时代的氛围，即使有人担心泡沫，但更多的人会被担心错过的情绪左右。从当前看，缺少那种氛围，也缺少更多的金融资本投入，OpenAI和软银的“星际之门”项目融资困难就是一个明显的表象。

2. AI基础设施建设

每次技术革命的早期都需要构建、形成新型的基础设施，它是后续技术发展和行业变革的基石，蒸汽时代的铁路、钢铁时代的电力、信息时代的互联网和高速物流运输网络均是如此。在人工智能带来的技术变革中，AI算力和相关公有云作为基础设施应该比较明确。这个领域的领先公司在未来都有可能获得更大的发展。而比较不确定的就是基础大模型了——如果如微软所愿模型进一步商品化，那么它就是基础设施中的一部分，而另一种可能现在也不能排除：模型更多会和业务应用贴合，称为特定企业的差异化竞争优势。考虑到模型的多样性，也许这两种情况都会出现，在更通用的任务上各家的模型拉不开差距，商品化成为基础设施，而针对特定场景、特定级别的要求，可能只有特定的模型有较好表现，这部分模型就成为其业务的护城河。

3. 个人和GenAI的关系构建

每次技术革命都有一些重要的社会观念会被革新，这次似乎也不例外。上次信息革命构建了信息和知识的社会，知识和信息成为最重要的资本，而现在传统的知识不再重要，任何一个博学的人应该无法比肩LLM，在这种情况下人的价值如何体现？也许是提出问题、发现、创造、交流沟通（据有些研究结果，人类说服水平似乎弱于当前的大模型）。可创造也不是凭空而来，需要积累足够的经验；那么每个人又应该如何构想自己的成长，如何将GenAI的优势和自身结合起来，形成个人立足社会的关键差异化优势？这是大家都在探索、试错的一个领域，通过日常使用LLM，包括深度搜索、NotebookLM、编码Agent等，都会积累经验和感悟，也许那一天就会形成一种的观念，展现智能时代人的价值。

社交网络也会被重新定义，我们之前不知道远处的屏幕前坐的是什么样的人，是男是女、是老是幼，那么未来和我们交流的可能是一个人，也可能是一个智能Agent。在扎克伯格的设想中，我们中会有人愿意把AI智能体看作朋友，看作和人类平等的存在，这样就拥有了更多的伙伴或者亲人。这里面隐含和更多对人性、人文的冲击。

四、小结

何其有幸，人生中不但经历了信息技术和知识社会的变革，当前又可能经历另一场可能更伟大的技术变革，在其中可以看到社会的变迁、人性的伟大和渺小，沧海桑田最终塑造永恒的文明进步，参与其中或做一个旁观者，都是一种难忘的经历。就这样静静的，观察历史在身边流过。

1. https://koomen.dev/ ↩︎

2. 《深度医疗-智能时代的医疗革命》 埃里克.托普 ↩︎

1. 当前AI模型的快速发展，为AI Agent相关应用发展奠定了基础，但是从长期看，我们还处在AI模型能力发展的早期阶段；

2. 由于头部AI公司发展战略存在较大差异，由此模型能力差别将越来越大，进而使某些厂商可以在特定细分领域形成护城河。

趋势一：当前尚在AI模型发展的早期阶段，未来能力提升空间更大

一个常见的沟通障碍是参与者对关键概念的理解存在较大差异，这一点在讨论AGI时显得尤为突出。当我们问AGI何时来临时，却难以对AGI的范围、程度有清晰的共识，以至于微软和OpenAI的谈判中，使用带来的业务营收规模来界定这个问题。由于存在这种概念理解的差别，大家对何时达到AGI有着非常不同的看法：有人认为2-3年左右可以达到；有人则认为需要5-10年的时间；还有人认为当前的技术框架下我们难以实现AGI，需要等待新的颠覆性技术。

既然在基础概念上存在认知差异，那么简单判定哪个答案更靠谱就没有意义，更有价值的事也许是了解哪些谨慎、甚至相对悲观者为什么认为我们不可能迅速达到AGI，当前的技术到底有什么关键不足？重要的提升空间在那里？

人类思维过程多数时候不会记录于文字，这使得AI训练缺少必要的数据来源；同时人类的思维方式也超越了文字，这使得当前的大模型难以真正掌握人类的思考模式。虽然OpenAI的o1、o3推理模型让很多人兴奋，认为找到了让机器学会思考的有效方法，但这种强化学习的思维训练存在明显的泛化不足，使其虽然易于着手但后续发展的潜力有限：其一是其机制仅适合于有明确对错答案的场景，如数学、编程、游戏等，存在标准的正确答案，并也容易建立检查、确认机制。但现实社会中人思考的问题，很难有标准答案，并且对错的判断也不是轻而易举的。其二是人类的思考方式，不仅仅可以使用文字逻辑，还包括更多如视觉图像、联想类比、情感直觉、隐形知识等方方面面。最近的一些测试就验证了，在需要空间思维能力的数学解题中，已有最先进的模型依然无能为力。

不能否认当前最先进的大模型已经相对成熟，特别是其具备的基本推理、记忆、反思能力，已经可以支持AI Agent的构建，由此超越模型自身内置知识和推理能力的限制，向更主动、自主的智能发展。这样的Agent应用，可以在很多场景下充当人类的助理。但因为上面谈到的不足，大模型还没有出现类似AlphaGo 对弈李世石时第37步那样令人惊艳的表现，所以我们还不能说它可以成为一个好的专家。

基于Demis Hassabis、杨立昆等人的观点，后续的关键在于使基础模型可以理解周围的世界：世界的物理性质、世界的动态、世界的时空等，以及我们所⽣活的现实世界的结构——这就是经常提到的世界模型。世界模型形成的基础是更强大的多模态，以及用了构建长时记忆的更长的上下文能力，由此进一步发展才可能形成具备世界模型的AI，它还可能需要和Transformer 不同的AI架构。

年初，DeepMind对现有第三方的文生图模型做了评测分析并得出结论，它们都还没有正确理解当前世界的物理规则的能力（实际也确认了Google在多模态上的领先地位）。因此模型能力、架构的发展还都需要时间，乐观的角度可以认为人工智能会在某一天展现出远比今天更令人惊艳的表现，因为还有巨大的提升空间。

趋势二：头部大模型差异化越来越明显，进而在细分领域可能形成护城河

2023年，Google内部流出一篇叫做《我们没有护城河，OpenAI 也没有》的文章，其观点为很多人认可。不可否认从当时看，确实很难判断哪家公司可能因何缘故而形成有效的护城河。不过无数企业发展的历史告诉我们，真正的护城河不是在事物兴起的早期阶段就能够明确的，而是由一次次战略选择、落地执行、时机&运气等多种因素共同累计，逐步构建的。站在当前的2025年，可以明显看到头部AI公司在大模型的方向选择上存在极大差异，这种差异所造成的模型性能差异也逐步拉大，进而个别企业有可能在不同的细分领域，形成各自的护城河。

下面我们就来具体分析这些头部公司可能存在的差异：

一、战略方向选择

OpenAI已经从一个技术型公司转换为产品型公司，并且是ToC为主的产品公司，这在Sam Altman以及Satya Nadella最近的访谈中都可以看到端倪，特别是Sam Altman在“Stratechery”访谈节目中表述的那样，对于OpenAI最重要的是如何扩大用户基数并提升用户黏性，而领先的模型能力并不是其Top 1的目标。Sam Altman的愿景是构建AI时代的新Google，在他看来当前的LLM能力可能已经可以支持这个目标，OpenAI更需要产品、商业模式的创新，以及更低价格的算力（自研芯片）。

对于Google，更先进的AI模型依然是其优先事项，不但因为其在2年前的目标就是要开发具备世界模型的人工智能，也因为其构想的超级应用是个全能助理（硬件依托可以是手机、智能眼镜，更可能延伸到具身机器人）以及科学&医学研究助理，需要更高的智能水平。当前在多模态能力、长上下文上的领先是为了构建具备世界模型的AI进行的基础性工作，他们设想的研发道路还需要数年的时间来逐步落地。当然，基于当下AI模型如何在搜索、广告、云及视频&音频领域建立更大的业务优势，也是Google持续不断的目标。基于2024年社会反响远低于其技术进步的反思，独立的AI应用在其整体版图的地位将得到大幅的提升。

Anthropic 专注于企业市场，希望为企业内的知识工作者提供最好的AI模型，在编程、写作这些和语言关联极强的场景提供最大的帮助。这些场景当前看也是其优势所在。Anthropic 的CEO在最近一些谈话中明确表示，并不会考虑做一个完善的多模态AI模型，而是聚焦选定场景需要的AI能力，持续不断的完善。这无疑是一种非常稳健的创业企业技术&业务策略。

Meta一直以开源AI自诩，但实质是开放权重，这两种其实完全不同。其开放的目的和开源软件应该也不同，但这种开放对Meta非常有价值：其一是提升了Meta的品牌；其二更好的招揽AI技术人才；其三扰乱其它头部AI厂商的发展，同时防止其模型能力被可能的竞争对手使用（授权中对产品使用用户总数的限制）。杨立昆对模型后续发展的思路和Google非常相似，但Meta在人才储备、当下模型能力等方面和Google尚有差距，在Q1的财报电话会议中，扎克伯格提出了激进的AI基础设施投资计划（600-650亿美元，同比增长53%-66%，考虑到其没有对应Google的公有云业务，这个投资规模和增速可以说是相当高），这应该是Deepseek之后，确信领先的AI模型对其业务的重要性以及和Google之间的差距，而采取的追赶措施。

曾经OpenAI的首席科学家Ilya Sutskever ，领衔创建了Safe Super Intelligence（SSI）。这家公司致力于使用和当前不同的方法来训练更智能的AI模型，在Ilya看来依赖更多参数、更大算力和更多数据的方式来提升模型性能，已接近其发展极限。虽然这家公司没有透露其具体的思路、方法，但从其最近一轮融资是依照至少200亿美元来进行的，及半年前的4倍（2024年9月初创估值50亿），可以推断其工作进展比较顺利。

二、AI中的人性

2024年5月，OpenAI发布的语音功能刻意模仿了知名演员斯嘉丽·约翰逊， 此事造成了很大的舆论风波。此事也反映了大部分AI模型公司存在的想法——希望用户认为与之沟通的是具备人性、情感的生物，而不是一个机器；同时大部分用户对这种交流模式也非常认可。OpenAI和Anthropic是这种想法两个明显的代表，虽然他们对人性化的设定不同。Google则不同，其似乎刻意增强了模型交互的机器感，以使用户时刻感受到与你交互的是机器而非人类。这两种选择都有各自的道理：人性化的处理会增强感受，给人印象更为深刻，但不同的个性可能会吸引不同的人，很难提供一个模式让所有人满意，同时也许会有人不愿意进入这种模型编织的幻境中，机器化的感受会及时提醒它而不至于混乱真实和虚幻。当前看人性化的设定更被认可，但随着越来越的的AI模型渗透到人们生活中，是否依然会是主流的选择，存在不确定性。

三、数据优势

虽然只有一个互联网，但这个互联网上几个重要的社区都存在封闭性质，其数据并不容易爬取。而这些数据封闭社区的数据，对于AI模型训练却显得非常重要。因此Google花费每年数千万美元，去获取Reddit的数据；Grok基于X平台的数据优势训练而成，使其语言、观点也充分表现出X平台的特点；Google在视频（Youtube）、图片识别方面的数据积累，使其在多模态方面领先于其它厂商。

针对AI模型的必争之地——个人助理应用——数据更是关键，如果它要真正成为某个人的助理，就需要了解其服务的这一个人，个人画像类数据是Sam Altman当前努力希望获取的宝藏。当前看Meta可以基于社交平台的数据了解人；而Google 具备多个使用广泛的日常应用以及领先的统一认证平台，使其在了解每个人的特点上，具备较强的数据优势。

四、算力优势——规模与成本

Google自研TPU的成功，本应让它在算力规模上具备较强优势。然而在2025年初的Google财报电话会议上，管理层表示Google云的增长受到AI算力资源不足的制约，这种情况有些出人意料。我们回头思考这件事，会发现Google的算力资源也许绝对量上是领先的，但其需要算力的地方也非常多：搜索向AI转型、基于AI提供更好的广告、在Google云上提供AI算力服务、为自研AI应用&API提供算力保障、大模型研发&训练等等。内部多重同时庞大的需求，使Google的算力一直处在比较紧张的状态。进一步看大科技2025的基础设施投资，Amazon大约860亿美元（Anthropic更多依托此平台）、微软800亿美元、Google 750亿美元、Meta 600-650亿美元。Google虽然可以依赖TPU芯片以较低的成本获取更多算力，但考虑其AI算力的用途太多，在一定程度下会抵消这个优势，因此算力的紧张程度在几家中依然会比较突出。同时在2024年底，曾经传出消息Google消减了部分在台积电的TPU订单，在算力紧张的情况下却出现这种事情，大概有两种可能，其一是数据中心的建设进度缓慢，迫使部署TPU的时间同步延后，其二是可能看到AI模型架构革新的明确信号，这将使其TPU后续需要随之大幅更改，因此不愿意采购更多可能被快速淘汰的AI芯片。实质上数据中心建设难以一蹴而就、未来AI架构的不确定性、用户算力需求的波动、AI算力性价比的快速提升，这多种因素都会使大科技难以无限制地进行基础建设投资，大家都会在有一定算力限制下开展相关业务。

在算力上还需要关注的一个要点是成本——Google基于TPU在AI算力服务和AI应用上具有显著的成本优势，成本优势曾经是其搜索脱颖而出的关键，当前AI算力上的成本优势至少会驱动更多创新企业使用其算力或者云服务。Amazon当前的自研AI芯片尚未规模化使用（软件和系统集成层面的工作还在进行中）、未来AI模型架构升级等多种不确定性，当前难以判断其前景。

综合以上几点，在To C的个人数字助理领域，Google的大模型较大可能会形成优势，这不仅是它当前在这个方向已经具备多模态、长上下文、用户日常应用和数据等优势，同时也隐含对其长期眼光投资具备世界模型的AI能力的认同；此外在公有云领域，Google基于模型和算力成本优势，也有可能是最大的受益者。而ToB的企业应用领域，Anthropic凭借其既有优势和口碑（编程和写作）以及聚焦、深耕的战略，可能持续成为最受欢迎的模型。OpenAI虽然有着已经规模化的ChatGPT用户群体，但考虑到AI模型后续依然会有极大的进步空间，而聊天应用当前除了品牌知名度外缺少进一步的客户黏性，其未来的不确定性很高。

一切都是推测，未来发展如何，让我们拭目以待。在这个难得一遇的技术变革浪潮中，虽不能躬身入局，但作为一个旁观者来品味、思考所发生的一切，也是一种幸事。

从业务角度看GenAI

在具体分析Google之前，需要对生成式人工智能从业务角度有一定的认知。基于当前的现实我认为它具有如下关键特点：

• GenAI更多起到了提升效率的作用，而不是增加企业的营收

抛开机器人和生物医学研究这两个复合、也更前沿的领域，我们观察GenAI对一般企业的影响，价值主要体现在提升效率上：更快/更好的营销材料创作、快速完成代码片段、帮助理解文章内容、提供更高质量的语言翻译等。大模型的这个特点决定了相应企业投资更多来源于企业既有的数字化/IT预算，少部分会有新的专项资金，据A16z的调研报告有专项资金的大约20%。同样的原因，GenAI在企业的应用过程注定和互联网、移动互联网不同，后两者都带来了新的营收和商业模式，而前者在当前则比较模糊——如果GenAI投资提升了效率，但业务需求并没有扩张，那需要考虑裁员来体现收益吗？那又如何评估新的人效和产出呢？如何处理这个过程中组织的动荡和不确定行？这不是单纯的技术问题，不同企业的答案也注定不同，因此企业对GenAI的使用必然是逐步探索、稳步推进的。 当前看，人们高估了GenAI在中短期内的颠覆力量，它更多是对具体业务的持续优化，体现的价值更多是延续性的。

• GenAI还没有到iPhone时刻

以智能手机为类比，人工智能还远没有达到所谓的iPhone时刻。回顾智能手机的发展，早在iPhone之前的Palm手机，已经在应用场景上具备了iPhone对应的一切——听音乐、玩游戏、处理邮件、安排日程、web浏览、移动办公、各种第三方应用构建的生态等等，Palm缺少的是性能和客户体验，没有足够好的CPU和触摸屏给用户流畅的操作感受，也没有Apple带给大家的易用性。再来看当前的LLM，作为个人助手的核心场景也都还在构建阶段，从OpenAI和Google的演示看，一些简单场景的技术演示也还是存在挑战。正如DeepMind的CEO Demis Hassabis所说，当前还在早期阶段，还有很长的路要走。如果在这种情况下，期待某种大规模的爆发，并不现实。

• 当前的GenAI发展阶段，可能对更有利于具备垂直整合能力的巨头

智能手机的发展过程中，Apple凭借垂直整合芯片、基础硬件、软件系统、应用生态，提供了Android 所不能提供的优势。但随着智能手机相关的技术发展进入停滞阶段，其性能也早早超出了一般用户的需要，这个阶段基于Android生态横向分工的手机厂商逐步接近了Apple的高度。整个过程展示了垂直整合以及横向分工在不同阶段的优势所在，而当前大模型的发展无疑处于早期性能和用户期望有较大差距的阶段。GenAI相关需要整合的关键层面，包括了加速芯片、云平台、大模型、开发平台、可大量分发的应用几个方面，从这个方面看所有的大科技中最具备整合经验和能力的是苹果，而在技术能力比较完备的是Google。

那些不是Google的问题

之前数月 ，Google最被诟病的是大公司病严重且缺少微软那样激进的态度，在GenAI上发展缓慢；同时受到DEI（多元、公平、包容）的意识形态影响，使得LLM开发出现严重错误。其实这些可以认为都是误解。

• 进展慢

人们喜欢神话，一个灵活的后起之秀打败更⼤、更慢、更僵化的竞争对⼿就是人们喜欢的神话，但这种事在现实中很难发生。而创新公司的创始⼈需要一个吸引人的故事，让投资人相信选择他们相当于找到了⼀张中奖的彩票。两种情况叠加在一起，有时让我们分不清意愿和现实。在过往大多数深远的技术变革中，成功者往往不是先发者，Apple不是最早做智能手机的，Google也不是最早做搜索引擎的。

一个渐进式的创新中，过于激进的做法固然让很多人感到兴奋，但也有可能加速消耗外部对公司的信任，这对于头部公司尤其如此。以Google的搜索业务来说，在Perplexity推出AI总结功能后市场一片叫好，认为Google的核心业务即将被颠覆，很多人也质疑Google为什么不能推出类似的功能；真正当Google在搜索中加入了AI总结功能后，市场上又出现了更大的反对浪潮，表面的原因是有很多极端的案例证明Google做得不够好，但当人们用这些搜索样例对比Perplexity时,发现后者存在更多错误。有人说出了真正的原因——Google搜索被全世界网民使用，社会影响力更大，所以需要更严格的标准。这是有道理的，Google基于之前的成功有了更多的资源、人才和应用分发渠道，同时它在搜索技术中的一点改动可能涉及到成千上万公司赖以生存的流量变化，涉及到整个互联网的发展。其享受了利益也必然要承担相应的责任。

综上，既然当前GenAI不太可能形成快速颠覆的效果，同时Google的动作又必然是影响巨大且深远，我们从这个角度去衡量Google当前的进展，其实已经不慢了，甚至有点快。

• 意识形态问题影响LLM开发

Google的Gemini生成了不少错误的图片，包括黑人教皇等明显和历史事实不符的，不少人认为其原因是Google被政治相关的意识形态过度影响。我们不能排除Google在具体业务中有很多地方被意识形态所影响，比如之前它因为员工反对，取消了和美国军方的合同，但在寻求多样性上这却不是出自意识形态的原因，而是Google作为一家互联网平台公司从业务角度需要一直坚持的关键准则。很难想象Google相关的平台，被贴上某些非常明显的分类标签——Google希望服务于这个社会的绝大多数人，它就必须让这些用户感觉到平台的多样性和公平性，而不是吸引一类典型用户却排斥另外一类。这种多样性的诉求在Meta开发的LLM上也表现非常明显，且Meta也出现了和Google类似的错误，但没有成为媒体和互联网大V的焦点。在这点上，Google创始人的解释也许是可信的，这就是一个测试问题，如果给Google更多时间，它可以测试发现这些问题，但更好的方式还是Google将产品开发出来后，在更多人使用中去发现错误和优化产品。毕竟其内部测试团队，难以完全模拟互联网用户多样化的使用场景和极富创意的测试案例。

Google 真正面临的挑战

如果上面最经常听到的声音是对Google的误解，那么Google是否可以随着时间发展，必然逐步超越所有的竞争对手呢？也不见得，Google还是有自身非常迫切需要应对的挑战。

• 了解、尊重用户同时不被噪音影响

Google在当前互联网生态以及AI技术领域举足轻重，这就使它备受关注，不同的人会用不同的标准来期望和评判其行为，这样现实中就会存在一种情况：Google做任何事情，都会引起一些人的批评。 同时Google是当前互联网生态的一个关键角色，并控制了大量互联网用户的隐私数据，这样的企业是难以单纯以商业利益作为衡量事物的标准，它需要考虑更多，比如互联网信息创作者的利益、用户的信赖/安全感等等。在这样一个复杂的关系中，Google做的任何事，都可能产生其预想不到的后果，因此它需要更多地从外部接收反馈，同时也知道自己无法让所有人满意——哪些是噪声，哪些是有价值的信息，哪些需要响应、哪些可以忽略，是非常难以分辨的。很多人觉得Google基于搜索和广告业务挣到了互联网上最容易的钱，其实想一下Google需要承担商业之外的责任和压力，我们必须说欲戴皇冠，必先承其重。我们也应该明白Google一直强调的不作恶，并不是单纯创始人的情怀使然，而是它作为最重要流量入口必然要担负的。

• 强大的产品构建能力

当前的GenAI要通过垂直整合方式构建产品，就需要非常强大的产品构建能力和生态构建能力，Google作为一个技术优先的公司，在这两个方面都不算出众。特别是和Apple这种产品力超强的公司相比，无疑差距更大。从最近几个重要的发布会——Google的I/O大会、微软的Build、Apple的WWDC ，甚至包括OpenAI的GPT-4o发布会——我们可以看到，Apple在考虑如何构建这种整合产品方面，是全方位的碾压其他头部公司的。无论是场景选择、交互设计、技术路线、生态构建等，其他巨头似乎和它有巨大的差距，其中自然包括Google。Google自然有大模型技术上的优势、TPU及其系统带来的全方位成本优势、以及独特的数据和最广泛使用的应用，但这些优势发挥作用需要它的短板不能成为致命的缺陷。这对于Google必然也是一个有挑战的工作，幸运的是Google并不需要在这方面超越Apple，也许它能够认真地去学习/模仿来保证自己做得还不错，就会有一个不错的结果。

结语

Google虽然很长时间内在AI领域处于领导者地位，但ChatGPT让其意识到了现实中已经落后，这个巨人似乎快速地醒来了，虽然有各种不利因素但它还是因为竞争的压力反而变得更加强大。GenAI在中短期还是一个典型的渐进式创新技术，同时技术的成熟也需要时间，这使得垂直整合方面具备巨大优势的Apple和Google，似乎站在一个非常有利的位置。Google在垂直整合上具备的独特的优势，将让它越来越可能成为一个胜利者。

下面就是笔者基于公开的信息，逐步形成的一些对Palantir的理解。简单地说，Palantir是一个典型的例子，说明公司的价值观、组织文化能够成为一个公司核心竞争力来源。

本体论是Palantir 竞争力的表现

熟悉Palantir的人可能都知道其前置部署团队，以及本体论。从工程技术的角度看这是其最有特点的部分，因为前置部署团队，还让很多国外的投资机构长时间认为其是做项目咨询的公司。前置部署团队和本体论相辅相成——有了前置部署，Palantir逐步构建出完善的本体论体系；同时本体论也是指导前置部署团队的核心方法。

本体论来源于哲学领域，是研究存在、存有、生成和现实等概念的一个哲学分支。映射到Palantir的业务上，有另一个更流行的词汇容易让大家理解——数字孪生，但Palantir认为使用这个词贬低了其本体论的价值和内涵，并不愿意使用这个相关的词汇。从实质上讲，本体论是对现实世界业务的数字化抽象表达，它定义了业务是什么、数据如何与实际运营相对应；在此基础上，本体论还支持决策制定、执行具体操作，以及在整个企业范围内进行数据交互和整合。Palantir近20年一直投入研发，构建了一个基于本体论的深度路线图，并将其作为未来产品投资的重点领域。当下本体论是 Palantir 软件平台的基石，它赋予了 Palantir 产品独特的竞争优势，使其能够在数据整合、人工智能应用和决策制定方面提供卓越的解决方案。

这种竞争优势不同于常规理解的高精尖技术，不体现在数据库的查询性能、CPU的使用效率或者LLM回答的准确性这些方面，而是在于对现实世界不同行业的具体业务和其问题的深入理解，同时经过长时间投入将其标准化、产品化的能力，基于本体论可以使用相对一致的方法帮助企业解决现实的问题。如果这就是本体论的话，人们难免会有疑问——这种优势为什么是Palantir独有的，它为什么难以复制？ 这个问题也困扰我很长一段时间，最近的一些阅读和思考似乎触摸到了答案，那就是价值观和组织文化。

不同的公司命运源自不同的价值观

不同的公司，在成立的时候追求的东西有极大的差别，它们在很大程度上也决定了公司后续的发展轨迹。 比如Snowflake 成立之初就更关注在商业和投资市场的成功上；Databricks的创始人当初是为了推广其分布式计算的技术（他们愿意人们免费使用，但企业更多希望和一家商业公司合作）；而Palantir在成立时希望解决这个世界上一些最关键的问题，如遏制恐怖主义等。 虽然时至今日，Palantir的业务范围已经远远超越了反恐，但成立的初心使其始终关注在解决现实社会的具体、重要问题上，这使得其公司及核心员工都极具使命感。这种价值的选择，也使Palantir没有像大多数SaaS化软件公司一样，尝试去解决IT堆栈中某一横向层次的问题（从现实看，这样挑战更少，同时也更容易规模化复制来保证增长），它实际选择的是一条更难，并且是从零到一创造的路。

困难不但来自于事情本身，也会来自其它方面，比如说客户。Palantir坚信为客户提供价值需要使用标准产品化的方式，除了成本问题，更因为数字化的进程速度太快，如果采用项目的方式也许在项目还没有结束时有些部分就过时了，只有产品的方式，使系统可以不断的快速迭代升级，才能符合当前时代的需求。Palantir为了保障这种升级机制还专门构建了Apollo系统。 Palantir的这种想法并不能随时让客户理解，总会有客户更习惯于之前的传统方式而不接受其实对他们更有利的新方法，早期美国军方就因为Palantir坚持产品而不是项目的方式，打算另寻合作伙伴。Palantir在发展的过程中，经常遇到类似来自客户的压力，包括它没有使用常规IT软件堆栈的分层建设方法，使很多客户都不能快速理解其产品的价值，这也是一个一直围绕Palantir的困难，直到有了AIP 训练营才算有了一个相对有效的解决之道。

Palantir选择的道路异常困难，注定少有人走。现实中大多数公司都去选择那些更容易解决的普遍问题，更容易和客户沟通的解决方案。同时还需要有足够的资源和组织能力把产品做出来，那就更不容易。 这样看它没有对应的竞争对手也就不奇怪。

富有创造力的组织文化

Palantir为什么能做好这件困难的事，有其价值观、使命感激发起来的无尽动力，也有之前在PayPal 进行欺诈识别的实践积累，但更重要的是它独特的组织文化，使员工和团队的创造力和动能可以最大程度的发挥。感兴趣的人可以去阅读其CTO Shyam Sankar的文章（链接），我在这里简要介绍比较有触动的点：

1. 容忍混乱，以保障有效性：大多数管理者都希望一切可以清晰、明确，以此来消除工作中的混乱；我们会通过不断复盘之前的工作，进一步完善纪律和流程来避免曾经经历的挫折和痛苦。但Sankar认为其中针对如何减少混乱的经验往往是错误的，一定程度的混乱、混沌是创造力的先决条件，在担心效率前，首先要做到有效。这是一个专门从事从零到一工作的工程人员的心得，和很多从事从5到N工作的人看待工作的方式完全不同。他认为在一个创造性组织中最佳的状态也许是“metabolizes pain and excretes product”。

2. 以人为中心而不是以岗位为中心，最大程度扬长避短：在传统组织，是先有确定性的职位和职责定义，再去寻找合适的人来填充相应的位置。这种以岗位为中心的组织，会更重视等级地位而缺少柔性，最终每个人将为个人利益却不是组织成功而努力，组织很可能会功能紊乱。而Palantir采用的是另一种模式（他们称之为艺术家聚居地的模式）——没有固化的岗位和职责，可以根据每个员工的特长对其进行管理，以应对公司最紧迫的挑战，这种方法同时也可以规避每个人必然存在的弱点。这种方法无疑对相应组织的管理者能力是一个巨大的挑战（据传闻，Palantir内部人员对其CEO Alex Karp在辨别人才上的敏锐嗅觉都非常佩服），同时必然也需要不断的检验和修正。但它有可能成为组织的一个巨大优势。

Palantir的组织特点不只是以上两点，扁平化、愿景驱动也非常明显，但上面两点似乎外部讨论的较少，但从我之前的经验看非常有道理，有些时候自己也是做的类似的选择。

从另一方面讲，即使是更被接受的扁平化管理，真正能有效实施的组织也少之又少。从我实际经历看，即使只有小几十号人的创业公司，自身在推行扁平化管理，但实际组织行为表现出的文化特质，还是非常明显的结构等级特点。比起Palantir达到千人规模时的扁平化状态，也还是有差距的。这也说明了组织文化的塑造有多难。

结语

要真正理解Palantir这家公司无疑是困难的，它太与众不同同时又没有足够的公开信息，但它确实能引发我们的思考，并且学到很多东西。

Palantir作为坚持做从零到一事业的公司，其路途必然是坎坷的，每一步前进可能都包含了痛苦和收获，也许有一天它可以成为数据分析和人工智能领域的千亿/万亿市值的公司，也许它的价值只能被极少数人理解。但无论是那种结果，持续关注它都能让我们有所收获。

下面是个人从零信任发展中看到比较有趣的几个点：

1. 整体理念的持续演进；

2. 零信任发展的动力是技术创新；

3. 零信任下的数据服务防护。

一、零信任理念的持续演进

在跟进零信任的过程中，发现不断有新的想法、理念被融合其中，让其和现实的贴合度越来越高，也愈发适合作为安全架构的指导方法。2022年在当时公司的一次讨论中，我把零信任的发展依照3个阶段来解释，事后感觉似乎还比较符合实际，也能帮助更好的理解零信任是个不断演进变化的概念：

• 阶段一：偏于现实中的问题，由于BYOD和内网失陷成为普遍性的问题，因此基于内外网络边界的信任关系消失了，我们需要一种新的信任关系，这大概就是零信任概念提出时的状态。

• 阶段二：随着各种新的攻击方法不断出现，网络威胁不断增加，我们发现网络安全中不可靠的信任关系不仅在边界上，而是广泛存在的，因此需要一套原则/方法来帮助重塑整个网络架构。这个阶段的一个关键性产出物就是NIST的相关标准文档。

• 阶段三：在零信任落地的实践中不难发现组织需要的不仅仅是安全，同时也需要业务效率和员工/用户体验，后者对于企业的重要性甚至高于单纯的安全。随着不断的技术创新，使更多人了解这两种之间并不是矛盾的，相反它们更多可以相辅相成。基于零信任的方法，可以在提高安全性的同时也提高业务效率和员工/用户的体验。这无疑极大提高了零信任的价值，可以说有了零信任让企业的数字化和数字转型有了一个坚实的支撑。包括基于零信任方法对数据服务业务的保护，更是夯实了这个基础支撑。这个阶段重要的成果来自CISA和OpenGroup。

在零信任发展的第一个阶段，身份无疑是关键点；第二个阶段，关键性元素除了身份就还包括了设备、网络环境、应用负载和数据；而到了第三个阶段，技术创新和发展成为关键，因为只有创新才能弥合安全和业务发展之间的冲突。

二、零信任发展的动力是技术创新

曾经认为安全和业务之间存在永恒的矛盾，而近年安全的发展，在极大程度上已经告诉我们这并不是必然。无论在高层面的组织层，还是在更具体的策略落地上，都可以看到基于相辅相成的思路反而可以使组织获得更大的安全保障，这其中除了安全治理思路的变化外，更重要的是在零信任框架内的技术创新。更高的安全性仅赋予用户必要的最小权限，一般情况下这必然和快速变化的业务、良好的客户体验有冲突，而技术创新解决了类似这样的种种困难。

曾经听说国内很多做微隔离的厂商，大多数依赖人工进行权限梳理，因此难以大规模实施；同时客户也担心这种方式的可靠程度，不能承担阻断业务的风险，因此微隔离在国内的发展很慢。相反我们看到海外这个类型的厂商，如Illumio、Guardicore ，它们就已经较好的解决了这些问题，依赖的就是基于实际问题的技术创新：

• 自动化和AI：可以基于AI等技术识别常见的应用业务（不是单一端口的服务），并基于这种业务的特点，自动给出推荐的微隔离策略；

• 使用标签抽象层解决业务适应问题： 提供一套相对灵活的业务标签体系，可以基于标签属性根据不同安全诉求自动化形成安全策略，可以保障在业务快速变化场景下策略的自动适应（基于标签及其变化）；

• 提供具有容错能力的过程管理：未防止因为预料不到的情况造成业务阻断，提供了策略的虚拟执行能力，可以预判将被阻断的流量是否是业务需要的；

• 基于安全实战经验的优化运营设计： 如果微隔离部署需要一个时间段，那么过程中最需要优先考虑利用微隔离缓解风险的是哪些类型的系统？ 微隔离的最小权限，是否意味着权限越细致就越好呢，或者很多时候没有那么细颗粒的访问控制安全效果并不比更细致的差？零信任实施过程中存在的很多细节但却重要的问题，厂商基于实战经验和理论基础给出了非常合理的解答，其中部分对于长期在网络安全行业的人而言也可能是反直觉的，但细思之下又觉得其非常有道理并有更多的实际案例支撑。

零信任不是依赖一个正确的概念就可以成功的，前进的路上有无数的荆棘，只有依赖不断学习、创新和坚持，才能真正走出来。

三、零信任ABAC和数据服务

数据安全离不开访问控制，因此和零信任之间天生有紧密的联系。但是单就个人而言，对这种联系的重要性的认识也是逐渐加深的。曾跟踪Google云的CSO Phil Venables 讨论数据安全的文章，发现其对ABAC（基于属性的访问控制）的重视，把它放到应对数据安全问题的Top1技术手段，相对其对数据分类/分级反而认为仅使用有强合规要求的大型企业，大多数场景下数据标签和ABAC显得更加简单有效。之后接触到XACML、NGAC等几个基于ABAC的访问控制标准，都是针对数据服务访问控制策略的表达和实施，再后来也看到了Traceable AI 这样的创新公司，基于ABAC的基本思想，构建的零信任API访问解决方案，从各方面都印证了零信任对数据安全的重要。

基于用户的身份的访问控制通常难以设置和管理，因为不但将功能直接关联到用户及其身份属性上非常困难，同时其也不足以表达真实世界的访问控制策略。通过更多的设备属性/环境上下文/目标属性的加入，可以在一定程度上弱化对精准身份的强依赖，同时提供更有效的安全保障。而这可能就是ABAC的关键价值吧。

这种方法必然使需要收集的环境信息增加，和访问控制相关的因子也会增加，如果在产品中不能做好设计，有可能增加策略配置的复杂性，反而使其实际安全效果大大降低。因此即使有了这个大方向的思路，真正落地还是需要解决不少的具体困难，最终谁能提供好的产品，还是要依赖其对客户场景的理解，以及不断突破自身的创新能力上。

四、结语

零信任曾经是一个火热的话题，各个大厂纷纷追逐，同时出现了非常多的创业公司。当下看似热度不再，但从全球视野去看，零信任的重要性是在不断提升，而且其中的创新和发展也是层出不穷的。零信任要真正成功，需要的不但是理念被广泛接受，更重要的是厂商可以不断创新，有效的融合安全性、业务效率和客户体验，由此让安全真的成为数字化的助力，而不是被业务部门当作所谓的“东厂”。

当前LLM的浪潮，对于安全企业是机会也是陷阱。抓住机会就能够脱颖而出，掉入陷阱就不仅浪费了资源，也是浪费了时间。结合过往的经历以及当下领先公司的现状，发现有两类问题是投入AI技术方向是最容易出问题的地方：

1. 确定需要解决的问题：人们经常混淆“可以用AI做的事情”与“需要用AI做的事情”，在攻击成功的成本相对防御已经很低的时候，尤其需要区分这种差别，把资源聚焦在真正需要AI解决，并且AI能够很好解决问题的地方。

2. 如何构建完整的系统：无论从产品或者攻防对抗那个角度去看，AI在网络安全中虽然可以解决很多问题，但单独使用AI技术时会存在一些不足之处，需要在技术运营流程、产品架构中整合更多的技术元素使之更为完善。

下面就以Crowdstrike为例展开谈谈对这两个问题的理解。

聚焦最关键的场景是成功的前提

即使不考虑当前大火的LLM，AI在网络安全中的应用场景已经非常广泛，可以说在网络安全中的任何一个环节，都可以利用AI来尝试解决问题。下图就是整合不同厂商、安全机构形成的一个比较全的全景图画：

也就是说AI在网络安全中的应用场景，至少可以达到数十种之多。 数目虽然众多，但是每个场景本身的价值不同、场景中已有技术存在的问题不同、AI可以解决的问题的程度也是不同的，需要基于这三个因素来衡量哪些是值得优先投入的。

于很多人的直觉相反，Crowdstrike选择的关键场景不是EDR、而是AV，也就是一般说的恶意软件防御。从当前看到的公开资料，可以认为CrowdStrike在AI领域的绝大多数投资以及技术进展，均来自于恶意软件防御领域。下面从三个因素出发看看它为何会做这样的选择：

• 场景价值：从攻防对抗角度，防御是建立威胁狩猎/主动检测的基础，如果大量低价值攻击穿过防御机制需要主动检测/狩猎来解决，那资源压力必然使整个体系崩溃。防御必须更多的依赖自动化能力，可以抵御绝大多数的攻击，在此基础上威胁狩猎才有可能。从产品市场角度，绝大多数客户首先需要的是一个好的杀毒软件，可以抵御绝大多数的恶意文件类攻击，事实上即使是大企业，对于终端安全软件的选择标准，从安全能力角度第一位要考虑的应该也是杀毒能力（整体而言部署的简单、稳定、性能影响小，应该同样重要），EDR相关的能力排在其后。到当下为止，终端杀毒可能依然是网络安全中市场份额Top3以内的产品类别。

• 既有技术的困局：更多的恶意软件变形技术、更多的定向攻击，使恶意软件的数量呈指数级增长，在这个背景下传统规则的方式（无论是特征规则或者启发式规则）难以应对，必然出现大量的漏报问题。同时规则方式运营的压力会越来越大，其中也会出现很多流程、人为疏忽等造成的问题，一条错误规则的发布，有可能会影响到数百万甚至更多主机的可用性和稳定性。

• AI解决问题程度：AI模型天生有更强的泛化特性，使其可以更有效的应对变种以及新的恶意软件。同时基于AI模式相较启发式规则，在特征向量上可以高出数个数量级，更多角度的特征可以保障提供更精准的检测能力。在现实中，训练良好的AI模型的恶意软件检测效果，已经非常明显的优于传统方式，无论在误报率、漏报率上都是如此。

CrowdStrike正是因为做好了基于AI模型的恶意软件防御，才能在大客户市场和微软这样捆绑销售的高手较量并且胜出，同样可以在中小客户市场去替代Mcafee、赛门铁克、趋势等传统AV市场的龙头。

成功的AI应用依赖系统化方法

大方向的正确是成功的前提，但还远远不够。对于CrowdStrike而言，如何在AI技术的驱动下，真正取得远超传统AV厂商的安全效果是一个更大的挑战。网络安全中对AI有一定了解的人都知道，使用AI的方法存在多种挑战需要解决，误报率、漏报率和可解释性是其中最关键的部分。

漏报/误报问题

从本质上讲，误报和漏报是一体的，在没有足够多维度信息做充分条件判断时，就需要在误报和漏报中间寻找平衡点；另一个问题在于攻击者往往会发明新的攻击技战术方法，客户的业务环境也可能随着数字化进展而不断变化，这也会造成检测能力上的挑战。Crowdstrike使用了数种方法来应对挑战：

• 首先AI检测模型依赖的数据，不再是单纯的静态数据，而是包括了和进程相关的更多行为和上下文数据；它也不再是对某个文件或者进程的单次分析，而是跟进其行为的持续分析，直到能够有较充分的信息来判断其是否恶意，同时还根据进程相关信息进行实时防御动作。AI分析所依赖的数据维度较早期的AI模型有更大幅度的扩展，使其可以精准的检测离地攻击、无文件攻击等传统AV难以防御的攻击技术。

• 其次模型运营流程中其确保有人不断分析检测的内容，主要针对模型相似度度量以及可识别的样本，找到可以扩充标记数据库的样本，从而持续改进，最大限度的降低误报率和漏报率；

• 最后Crowdstrike充分理解AI基于之前攻击样本的学习形成的检测模型，是有可能被攻击者采用新创造的TTP绕过的，因此其在整个能力运营中也非常关注将威胁狩猎相关工作整合到整体流程中，通过狩猎活动来发现当前AI模型所不能看到的攻击行为，尽快的通过模型迭代升级来填补可能存在的空档。

Crowdstrike 通过静态+行为+上下文方式引入更多的分析维度；通过必要的人工运营介入保障少量、高质量的训练数据；并且通过威胁狩猎等专家手段不断发现模型的不足之处，使其在AI对抗恶意软件方向上遥遥领先于其他厂商。其公司总结其经验称——CrowdStrike的重点不只是精选数据及训练最佳模型，而是创建收集数据并生成高质量模型的流程，并以自动化方式执行此操作 。

可解释性

可解释性上Crowdstrike的做法曾经被多次分析过，它融合了几种不同的解释方法，以满足各种检出情况、各种相关人员的需要：

• 文件信誉： 针对典型的恶意文件可以给出具体的病毒种类、家族名称等信息；

• 情报上下文： 提供使用相关攻击工具、技战术的攻击团伙、恶意软件家族的信息，可以了解攻击目的、攻击者能力等，对最终确定事件性质/等级很有帮助；

• 沙箱动态执行摘要： 提供相关恶意软件在主机上的具体恶意行为序列，让响应者对其具体危害、行为方式有更详细的了解，在必要情况下可以基于此确定更详细的响应动作。

通过整合这三种可解释性信息，其NGAV在可解释性上不但不弱于传统基于规则的AV厂商，而是极大程度的超出了。

综上，CrowdStrike的成功更多是其从系统的角度去看待AI技术，而不是单独依赖AI做一个功能模块，也没有将AI模型开发等同与传统的软件功能开发。它更重视通过多种技术的融合达到更好的安全效果，更注重整体能力运营流程的搭建以及自动化，而这些是很多厂商容易忽视的地方。

结语

上面的认识都是基于传统AI技术的应用形成的，并不涉及LLM领域。在过去一年中，已经看到LLM在很多ToB应用上也取得了明显的进展：

• Github copilot 在开发人员中获取到相对一致的好评，极大提升了工作效率；

• Google和Meta 利用LLM使其广告业务更加有的放矢，保障了其关键业务的发展；

• Palantir 利用GenAI的人机交互特型，简化了其分析平台的使用难度，使其可以更快速、更大规模的推广其产品；

• Perplexity 整合搜索能力以及LLM的语言理解、翻译和总结能力，提供了一个颇具吸引力的知识搜索、学习平台。

网络安全中LLM注定也要发挥重要作用，但当前的进展看似都还不明显。也许2024年能够看到更多。其中关键的场景会在哪里——代码理解能力带来的恶意脚本分析能力？交互形式改变带来的培训、使用成本降低？亦或是数据总结/标记能力带来的更自动化的数据分类分级…….

但无论如何，它应该是一个普遍场景下的关键难点，同时详细在具体解决问题我们依赖的也不仅仅是大模型技术本身。让后续的发展来验证这两个关键点是否还依然有效吧。

1. 要利用AI来提升安全能力，需要平台充分利用组件的遥测数据采集能力；

2. 降低总体运营的难度/成本，需要较高的自动化运营水平；

3. 客户不希望被单一供应商绑架，但也不希望供应商和产品管理过于复杂。

这种平台化和早年SOC的平台概念非常不同，因此Gartner专门为这种具有新内涵的网络安全平台化起了一个名字——安全网格架构。

一、数据能力

当前网络安全最关键的是数据能力，如果想让日新月异的AI技术能够在网络安全中真正发挥价值，前提条件是具备相对完善的数据能力。这种数据能力包括了报警日志、模型检测数据、上下文情景数据、取证数据以及攻击链/攻击范围分析需要的数据。这其中除了报警日志外，其它类型的数据在很多安全产品中并没有被真正考虑过。近年在一些较新的产品中虽然考虑了这些场景，但却处理得相对简单（以元数据为主），在实际使用中发现并不能完全满足要求。 同时还存在一个难点——针对同一个攻击技战术，每个安全厂商的检测思路和特征提取方法都不相同，因此就造成数据采集和平台分析如果是两个厂商的产品，彼此都很难发挥应有的价值。

这决定了产品不但要考虑防御、检测、分析、响应等各个环节的数据需要，并且最好它们来自同一个厂商以保证数据和分析模型/方法的匹配度，或者厂商之间能够提前在数据/模型/方法上形成一致。 在XDR中，采用前一种由自身完成闭环的就是原生XDR，其代表是PANW ，而采用后一种模式的就是OpenXDR，其代表是CrowdStrike。 原生XDR的产品同属一个公司，正常情况下产品间协调会更容易，因此产品进展会更快；而OpenXDR需要不同公司之间的协调，往往产品进展就会较慢，但在市场推广时客户接受度可能会更高。

二、自动化

网络安全中所谓的人员短缺，很大程度上是和运营效率低，自动化程度不足相关。当前安全运营中存在大量重复、琐碎的工作，由运营人员手工完成，使人效偏低同时也难以保留中高端人才。

这里的自动化并不是由产品替代人完成一切，而是指当前消耗大量时间、精力的低价值工作的自动化： 产生报警后自动将所有相关的上下文信息补充完整，使人可以更快速、准确的研判是否可能是误报；在溯源分析中，可以把不同设备的相关数据都自动聚合在一个分析页面，让人更关注于具体的分析工作； 在明确整个攻击事件后，可以自动化给出可选的响应建议；在确定了必要的遏制/清除动作后，可由平台自动化的执行，以达到及时、准确的效果......

自动化需要平台和组件之间有功能完善的标准接口，而这方面的现实状态和数据基础能力方面非常类似，也存在组件缺乏对应的功能设计、平台和组件之间在相应思路上需要形成一致的困难。

三、横向多平台

如上， 要有更好的安全效果和最优的总拥有成本，组件和平台之间就需要有更紧密的结合。这和早年平台和组件之间的弱关联的思路有极大的不同，这种改变同时顺应了企业方希望减少安全产品种类/数量，以简化供应链同时降低部署和运营成本的思路一致。但企业同时也会考虑到避免被单一供应商绑架，以及通过异构产品来获得更大的安全保障问题。此时大一统平台必然导致的单一供应商问题就使其更不切实际。

同时考虑到安全运营工作的不同类型： 系统固化、身份管理、访问控制、检测响应等，这些领域都有其独特的领域知识，当前看还没有一家综合性的安全公司，可以在这些所有方面都做得非常好。同时大企业的安全运营，这些工作也是分开由不同的部门或人员来完成。所以如果我们能够基于这些角色职责、专业知识的不同而构建多个平台，这种情况下就即可以善用不同安全企业之长，同时也符合企业内部职责划分，而且也解决了单一供应商带来的风险，由此就形成了网络安全中的网格架构。

网格架构下的多安全平台应该包括哪些，当前还没有标准答案。需要基于企业的业务特定而定。规模、云化程度、安全资源和组织架构等都会影响最终需要构建的平台类型和数量。 常见的可能包括：

• 态势感知：掌握自身的关键风险、威胁形势以及运营水平；

• 检测和响应：报警管理、威胁狩猎、事件响应和恢复；

• 攻击面管理：包括资产、漏洞优先级、攻击路径等；

• 身份/认证/授权/审计：包括零信任访问相关的策略管理；

• CNAPP：和云环境安全相关的部分。

这些平台也许在一个企业中不止一个，它们彼此协同工作，最终可以完成一个组织的完整安全运营工作。

小结

综上，平台化的概念虽然在网络安全中由来以久，但是随着威胁对抗的发展和安全技术的进步，已经有了明显的演进，从大一统平台逐步发展成由网格理念推动的多平台。当前原生方式和开放方式两种平台构建方法都在向前发展，原生方式在扩大客户规模上碰到了挑战，而开放方式又难以做到快速成熟。对于未来是那种方式成为主流，当前还未可知，又或者是各有胜场？ 但这种趋势确是必然，安全最终不但依赖人，更需AI和自动化，合理的网格化平台设计才能让一切成为可能，而安全运营也会从近20年的停滞和徘徊中走出来。

一、未知攻，焉知防

“安全是攻防之间人的对抗”、“未知攻、焉知防”，这些话在行业内被反复提起，无疑也有其道理。但还需要进一步思考，知道如何进攻是否就可以知道如何防守？ 答案无疑是明确的：不能。了解企业面临的威胁和风险固然是做好防御的必要条件，但却不是充分条件，无论是架构层面的访问控制、身份认证，或者是更直接的检测和响应，都还需要更专业的领域知识。这种专业知识的创造和积累相较攻击技术有很大的不同，攻击很多时候可以依赖个体能力，而防御更是一个系统化工程。这种系统化体现在整体的防御水平，是由整个纵深防御系统中最薄弱的环节决定的；它也体现在诸如构建一套IDPS规则时，需要考虑巧妙利用不同的检技术（协议异常、网络异常、攻击特征、漏洞特征、启发式特征、AI模型等）以同时兼具精准性和适应性；它还体现在除了具体的引擎&规则技术，同时还要考虑使用安全产品和执行安全策略的人。好的防御不但要考虑到攻击者会如何做，还考虑到业务环境中的普通用户和不同的安全运营者，也包括如何去保障业务的开展而不是成为业务发展的桎梏。防御系统的建立复杂程度远远高于单纯的攻击。

较早之前，专业的防御关键知识是以个人经验的方式存在，在小范围内交流传播，很少能从公开材料中获取，也缺乏体系化的建设。而当前通过借鉴系统工程和软件工程的思想，防御技术和理念在继承和发展上出现了较大的进展，其中就包括“检测工程”。

二、检测工程简介

检测工程是构建、完善和管理检测内容（Rules、Content、Code、logic ）以抵御当前威胁的过程，是一门网络安全新的学科。随着威胁形式变得越来越复杂同时针对性、目的性越来越强，安全厂商及企业的安全运营团队都需要不断更新防御措施以提供检测潜在安全事件的能力，进而也必须弥合各种来源的数据（日志、元数据、遥测数据、威胁情报、漏洞情报等）和可指导响应活动的安全报警之间的差距。因此不同的厂商不约而同的借鉴了软件工程、敏捷开发中的思想来优化检测能力的构建过程，逐步形成了已经相对完善的检测工程概念、框架、方法等。

基于当前企业安全运营的需要，检测工程的目标也更加多元：检测工程希望尽可能在早期阶段来识别恶意活动，以便有更多时间来处置；检测工程中虽然借鉴了很多开发特征规则形成的最佳实践，但其价值输出并不局限在规则签名上，而是覆盖更多的新的检测技术，也包括AI模型的方法；同时检测工程并不是局限与检测，而是把如何优化事件响应也放到了重要的位置，希望可以优化事件分析过程、缩短事件响应时间，从而在最大程度上减少潜在损失。

检测工程作为一种能力建设的过程和方法，与其它一些近年流行的网络安全新概念有所不同，不是由某一个厂商或者咨询机构构建或推动的，而是由行业内多家公司从不同角度提供相关理念、方法，不断丰富、演进、完善而来的。这其中个人了解贡献比较多的就包括：Splunk、Google、Palantir、SpecterOps等。 当前有大量的信息和材料，每个人学习思考之后得到的东西可能都不尽相同，下面从自己的感受出发介绍几个比较有价值的点。

三、检测工程的关键价值点

1. 最佳实践总结

当前检测工程的材料中，沉淀了大量检测、分析工程师的实践总结，对处理具体工作难点非常有帮助，以传统检测中如何平衡检出率和误报率的问题而言，就基于专家经验给出了非常好的总结。很多检测方向没有系统学习和训练的人，往往认为检出率和误报率不可能同时达到优化，而有经验的检测工程师却知道很多的方法和技巧，可以同时保障这两方面的表现都非常好。SepcterOps就很好的把这些经验总结成了一套系统性的方法：

• TTP抽象： 一种攻击技战术的检测，可以从多个层面上去抽象、理解，从最简单的具体攻击工具层面、或者系统调用、网络协议、应用协议等，从不同抽象层面都可以让我们更容易理解具体的攻击，同时也知道不同层面的检测方法可能的抗逃逸能力是如何的，下图就用一个实例表明了不同层面抽象形成的检测能力差异；

来源：https://posts.specterops.io/capability-abstraction-fbeaeeb26384

• 平衡检测： 有了上一步的分析和抽象工作后，可以建立起多种不同的检测逻辑思路，需要对不同的检测逻辑做进一步分析，以平衡检出和漏报性能。首先需要理解每个检测思路的特点（高误报&低漏报、低误报&高漏报）；需要考量自身（或者客户）的运营力量，能接受的误报水平如何，不要一味追求精准性，而需要在可运营的前提下，接受一定的误报换取更低的漏报性能。

参考：https://posts.specterops.io/detection-spectrum-198a0bfb9302

• 深度检测： 通过TTP抽象得出攻击中必须经过的多个防御点，对于一个攻击的技战术需要实现多个检测点——通过分层检测来缓解可能的盲点，从而提供更全面的检测；同时分层的方法，可以快速对报警进行关联分析，缩短响应时间；需要在攻击前期的检测中尽可能精准，同时配合SOAR的自动机制及早遏制攻击，在攻击中期可以考虑容忍一定的误报，以覆盖检测的盲点，最后在攻击后期，可以采用更泛化的检测思路，来防止可能出现的遗漏。

参考：https://posts.specterops.io/detection-in-depth-a2392b3a7e94

2. 完整的闭环过程

一些公司的检测能力运营方式，更多的偏重于检测规则的测试和部署，但对早期的需求收集和后续的持续检测都缺少必要的投入，因此时常在客户现场或者竞争性测试中发现重大的检测问题。而检测工程中建立的是一个相对更完整的闭环过程，具体可以参见下面的框架图。通过更有效的需求管理，可以让我们及早把必要的能力构建出来，同时通过持续优化来防止出现无效检测机制积压、低质量报警持续存留等问题。

3. 文档化&规范化

早期的检测能力的创建、开发和实施缺乏严格的规范，普遍存在没有文档和评审的情况下进行生产，因此即使是知名的Top安全企业，也存在部分报警质量极低，导致特定事故、报警疲劳或者额外的运营时间和资源。文档化&规范化不但可以解决上述问题，还可以促进安全能力团队间（情报、检测、响应&运营）更多的共享和协作，激发整体团队的能力来增强检测和防御，最终增加攻击者的成本。

当前比较被业内认可的规范文档框架来源于Palantir（https://github.com/palantir/alerting-detection-strategy-framework），其Github上不但提供了框架的文档，也提供了多个实例。下面是其框架的关键组成部分：

• 目标：报警的预期用途

• 分类：和MITRE ATT&CK的映射，工程师可以据此了解杀链阶段，并了解整体最强、最弱的地方，进一步优化威胁建模

• 技术摘要：提供利用何种数据，如何进行检测并发出警报；

• 技术背景：提供响应者需要了解的报警相关组件技术背景信息；

• 盲点和假设：何种情况下报警无法形成或者被绕过；

• 误报：由于配置错误、环境特殊性以及其它非恶意行为导致的误报及实例；

• 验证：如何验证报警可以正确触发的步骤，包括脚本和工具；

• 优先级：在不同环境、配置条件下，可能被标记的报警级别；

• 响应：触发此报警后的常规响应步骤；

• 参考资源：有助于理解报警的任何其它技术参考。

这套框架应该是在早期一流IDPS的报警框架进行的改进和完善，更适合当前的现状，还是具备较高的学习和参考价值的。

五、小结

检测工程中的内容太丰富，很难用一篇文章把它讲清楚。这里也只能基于个人的一点粗浅认识给一个大致的介绍，希望可以让多一点人知道检测工程，愿意去进一步了解，学习和应用。

ToB SaaS中的神话

安全SaaS曾经被热捧，因为很多业内人士认为SaaS化业务具备指数级增长和更低的销售成本这两个特点。这两点在互联网企业的平台业务上确实比较明显，但是它们并不适用于ToB的网络安全，可以说在网络安全行业，这就是两个永远不能实现的神话故事。

1. 指数级的增长率

过去20年来，互联网企业利用互联网和智能手机带来的顺风，抓住利润率最高、运营复杂性最低、市场空间吸引力最强的机会：社交网络、电子商务、搜索等，确实实现了指数级增长。但在网络安全行业，市场空间的大小更多是由数字化经济的规模、客户对网络安全风险的认知程度以及普遍安全产品的效果这三个因素共同决定。在某种意义上，SaaS型的安全企业是在进行一种零和博弈，这种博弈最终是要依赖产品可以提供的价值和性价比来决定胜负的，并不会因为采用了SaaS模式就会进入一个高增长的空间，更不会因此就进入一个蓝海领域。从海外历史数据看，即使成功的SaaS安全企业，其增长速率也并不必然快于传统产品的企业。PaloAlto 在以硬件防火墙为主的10年前，年增长率达到65.35%（2010）、143.12%（2011）的高位，而作为SaaS化SWG的领导者，以及当前SASE的主要领导者Zscaler，其上市后除了2022年增长62.08%外，增长率通常在40-60%的区间内。SaaS并不一定意味着带来高增长。

1. 极低的销售成本

和SaaS相关的另一个神话是其具有极低的销售和售后成本，这无疑是混淆了ToC业务和ToB业务带来的误解。从实践看来，网络安全产品绕不过企业相对复杂的采购决策流程，毕竟这是企业为保障其以合适价格采购合适的产品形成的必然组织过程。不但如此，SaaS型产品往往需要更多的付出来证明其产品价值、和客户业务的兼容性等，因此常常会有高出传统产品的售前、销售成本；同时又因为大多数SaaS产品必然是订阅模式，客户转移成本较低，因此其需要较强大的客户成功运营机制，来保障客户对产品的满意度，造成其管理运营成本较传统产品模式也是偏高的。具体可以看下表，OKTA、Zscaler这种存粹的SaaS化产品厂商，其销售&管理成本明显高于Paloalto这种综合性厂商，或者Fortinet这样的传统产品厂商。

和安全SaaS化相关容易出现的误解并不止于这两个，譬如将安全SaaS和云原生盲目划等号；关注敏捷开发但疏于规划和运营等，这里就不再一一展开赘述。

SaaS 化的现实价值

从当前SaaS化比较成功的企业，特别是CrowdStrike和Paloalto的业务看，安全SaaS化的核心价值不是商业模式的创新，而是来源于SaaS化推动的技术领域的变革与创新，这使得转向SaaS的安全企业可以在客户关注的几个重要方向上构建巨大的技术优势和安全效果差距，进而在这个近乎零和博弈的游戏中，战胜不能及时进行转型的企业。

1. 云端数据驱动的AI安全能力建设

从当前角度来看，SaaS化安全企业形成的最明显优势在于其AI能力的快速发展和成熟，进而形成了传统规则类技术所难以企及的安全效果，这一切的基础是SaaS化带来的数据集中，可以在云端形成一套复杂但完整的训练、运营体系。最典型的例子就是CrowdStrike的NGAV，基于云端的大规模样本和行为数据为基础，CrowdStrike最终构建了基于AI恶意文件检测&防御体系，不但可以提供传统基于攻击特征规则、行为启发式规则更泛化的检测能力，同时在检测精度上也不弱于传统方式，同时因为其AI检测模型结合了动静两类数据，在面对无文件攻击、离地攻击等当前传统杀毒的难点时，提供了非常出色的检测和防御效果。产品效果上的明显不同，让曾经鼓吹本地化AI能力的SentinelOne，最终也走上了SaaS化发展的道路。

1. 云端服务规模化带来的价格/效能优势

SaaS化提供的另一个典型价值在于价格和效能方面，本地化需要非常高成本才能构建的能力，如文件沙箱，基于SaaS可以用低10倍甚至更多的价格让更广泛的客户使用；同时一些由稀缺、高端人员才能提供高级安全服务，如威胁狩猎、攻击验证等，通过SaaS化也可以服务于更广阔的客户群体。究其根本，是因为无论沙箱需要分析的样本，或者威胁狩猎所需要验证的攻击者技战术TTP，在规模化的客户群体中，它们大多数情况下都是高度重复的。分析一个样本，可以服务于100个甚至更多的客户；同样的在云端针对某个TTP进行狩猎时，服务1个客户还是100个客户中间的人力付出，差别往往是非常小的。

1. 随时随地的统一安全接入与访问

SaaS化对于安全行业来说另外一个重要价值和SASE相关。传统企业其内部业务系统在其数据中心，因此分支机构或者移动办公最合理的方式是集中返回访问其数据中心，这是典型的星型拓扑；但在云化后，企业的内部应用可能部署在多个云上，也包括使用了很多SaaS企业提供的应用服务，这种情况下星型拓扑就不是一种好的方式，这也就是当前SASE在海外市场变得无比重要的根本原因——从成本、效率和用户体验等多方面考虑，需要将星型的访问模式转化为网状。值得注意的是这种价值和整体的云化程度有高度的关联，因而对于国内的绝大多数企业，SASE也许并不能体现足够大的价值。

结语

SaaS化对与当前的安全企业，是一个关键。但单纯为SaaS而SaaS，结果必然是失败，单纯的SaaS化交付并不会提供显著的客户价值，反而会因为客户转换成本低、客户感受价值难度大等问题难以发展。只有在SaaS化的过程中，关注如何给客户提供足够大的实际价值，才有可能走出一条路来。盼望可以看到在这方面成功的中国企业。

一、内卷的认知源于幸存者偏差

认为海外安全市场发展更好，是因为注意力集中在领导和创新厂商身上。通过CrowdStrike、PaloAlto这样的企业，我们看到了产品的快速演进、高速的市场成长，以及证券市场给予的乐观估值，同时通过Wiz、SynK、Expel等一大批明星创业企业，也让我们看到新观念、新技术被市场快速的接纳并形成实际的营收。

但从另一些企业的视角，可以看到完全不同的景象。Mcafee、Symantec、趋势等曾经的终端安全巨头，其市场份额在逐年滑落 ； 防火墙技术开创者CheckPoint 进入了增长停滞期，客户被Fortinet这种曾经的小弟拿走；IBM的Q1Lab产品，曾经的SIEM市场领导者，虽然早早就进行产品升级以图适应安全发展的趋势，但终究还是被Splunk、微软和Exabeam等后进入者赶超。这样是否我们就不能简单的说国内网安市场过于内卷，或许国际市场的竞争其实更加激烈。不同的是海外当前的领先企业更早的看到了未来，并且通过及早布局、持续投入形成了技术上的代际差距，并且在市场竞争中充分表现了出来。

国内这几年虽然不乏在研发上持续高投入的安全厂商，但因为当前安全技术发展的一些特殊挑战，并没有谁完成了实际意义上的技术升级换代，安全效果的差异并不足够大，这种情况下技术投入的产出无疑是较低的；同时对于客户而言持续的高投入不能带来更多的安全价值，也必然使其采购意愿趋于保守。

造成今天国内网络安全市场困境的，当然并不止技术代差这一个因素。比如国内安全市场已经完成了从增量市场到存量市场的转化，但为数不少的企业依然延续增量市场情况下的成功经验来经营，没有跟随市场变化完成经营思路的变化。不过这个问题的后果，最终还是可以从产品技术的现实情况体现出来。因此我们下面主要谈技术代差。

二、安全技术上的代际差

从通常意义上讲安全技术的代际差，主要表现在三个方面：SaaS化、AI赋能安全和平台网格化。这三者又同时是一体的，SaaS化是基石、 AI赋能安全是灵魂，而平台网格化是最终业务表现形式。 这三者中任何一个都足够复杂，其中既有高价值的瑰宝，也有深不可测的陷阱。如果对其内核没有深入的理解和踏实的实践，即使投入在正确方向上，也极有可能是竹篮打水一场空。

SaaS化

2014-2015年甚至更早的时候，SaaS化曾经在国内市场掀起过一股风潮，很多公司尝试基于SaaS化方式构建业务，但到如今已经很少见了。从价值层面，SaaS化可以在不同场景下提供巨大的客户价值，例如： 基于SaaS降低高端安全服务的成本，使更多企业可以使用狩猎、威胁验证等需要高端人才的安全服务；安全数据的集中可以更快的迭代AI模型，以使用更强大的检测和响应能力；为组织分布广泛的大型企业提供灵活的高性能接入和一致性的安全策略……

但SaaS化也有一些不利之处需要考虑，譬如：SaaS化带来的带宽成本和存储成本的增加、云原生开发人员（也包括规划角色）的稀缺和高成本、 ToB 的SaaS业务更高的销售成本以及大企业对信息泄露风险的担忧，等等。需要选择可以扬长避短的场景，并注意持续优化可能的问题，才能保障业务成功。如果选择的业务场景，最终获取的价值不能明显领先于这些问题带来的成本，那么SaaS化的失败就是一个必然。

AI赋能安全

AI在网络安全中的应用时间已经超过10年了，AI模型相较规则，有更强的泛化能力，可以有效的检测各种攻击变形；AI模型相较规则有更高的环境适应性，可以基于不同客户具体情况，给出匹配客户场景的检测报警； 维度较多、数据量较大的数据分析工作，在现实中也只有AI的分析作为基础才有可能实际进行。

但是AI技术的引入也带来了一些明显的挑战：可解释性、泛化可能产生的高误报问题、 模型如何演进以应对新的攻击技战术等。这些挑战难以依赖单纯的AI技术来解决，而是需要完整的产品架构和完善的运营流程，使多种技术手段和工程化运营协调一致。需要AI技术专家，与安全分析师、威胁情报专家等协同工作，这样一个团队的组建和运作，对很多公司都不是件容易的事。

平台网格化

随着企业安全产品种类的逐步增加，集中管理、统一&自动化运营的需求不可避免的成为重要的优先事项。曾经的希望集中在SIEM或者SOC类的产品上，但随着时间过去， 越来越多的人发现这种大一统的平台原来不过是一个不切实际的乌托邦，基于网格化思路的平台建设理念逐步成为趋势。

当前平台化的成败有两个重要的决定因素：首先平台管理的组件是否能提供运营需要的能力并向平台开放；其次是平台产品的研发团队是否具备平台对应领域的专业运营知识和底层技术储备。网格化建设就是构建多个平台，每个平台对应着一个细分领域的安全运营工作，如：检测和响应、身份管理、访问权限管理、云原生安全、态势感知等。在现实中即使做了这进一步的聚焦和细分，相应的平台构建工作存在重重困难的，更不要说大一统的建设方式了。

总体看，海外当前领先的安全大厂已经跨过了三方面的挑战，同时更能够将其进一步融合，以产生更大的价值。在这种情况下需要考虑能否从海外厂商中学习点什么，让后面的路更容易一些。

三、海外厂商的启示

当下海外的安全厂商，最引人注目的无疑是CrowdStrike和PA，这两家公司在上面提到的3个方面均有显著的进展，PA的平台化战略、CrowdStrike基于AI的NGAV，在行业内耳熟能详。分析这两家公司，可以发现其成功有很多相似之处：

• 积极整合外部资源快速完善自身能力

三个方面都有着极强的复合技术特征，即任何一个方面的成功都需要有多种关键技术作为基础。大多数情况下，一家公司很难可以依赖自身去完成这所有的关键技术积累。因此投资并购、生态合作就成为一个时间、效益比最佳的选择。以SaaS业务 的数据底座为例，PA选择的是使用Google的相关平台服务，而CrowdStrike则选择收购了Humio 以获取日志型数据库技术。 这种通过资本、生态的方式快速获取底层技术，而自身聚焦在实现客户关注的核心价值的方法，对于它们业务的快速发展，起到了极大的促进作用，也使其在一众厂商中脱颖而出。

• 对任务的艰巨/长期性有充分认知，愈挫愈勇

在认清楚大方向的基础上，因为市场地位和自身的能力现状不同，每个厂商最适合的实现路径也不尽相同，也必然是一个探索的过程。PA和CrowdStrike 作为先行者，其困难程度更是可想而知。

以其中XDR平台实现路径为例，PA最早希望更多的依赖自身产品作为组件来构建平台，同时把自动化作为一个增值组件以解决方案的形成进行融合（其中部分原因可能是SOAR是后期收购的，整体融合到XDR平台有组织和技术上的挑战），但市场对这样的方式并不认可。PA最终以Cortex XSIAM的名义发布了新的XDR平台，将SOAR彻底融入平台中，同时可以更开放的接纳第三方产品的数据，这才使其获取到市场的高度认可。CorwdStrike在平台规划之初是充分考虑到了开放性，以及自动化是底层基础能力的问题， 但对于如何与第三方组件做深度集成上可能考虑不够，早期希望通过统一规划、统一数据和接口标准的方式，通过几个版本配合来完成融合，这种偏理想的运作方式从业务和技术上都碰到困难，使得CrowdStrike 转而考虑更现实的运作方法。

单从这个点上而言，可以看到突破过程中的艰难和风险，而两家公司都坚持对趋势和价值的判断，愈挫愈勇，才有了后续的业务进展。

• 代际技术变革是一把手工程

突破当前的技术困局，需要用多种技术能力的人才构建业务团队，很大程度上需要破除之前的部门边界；同时这些工作的统筹管理需要在组织内的巨大的影响力；另一方面这些工作又具有巨大风险，是绝大多数职业管理人不愿意触碰的。这一切都决定了其必然是一把手工程，并且很大程度上是具备卓越能力的创始人的一把手工程。

在CrowdStrike，George Kurtz作为CEO兼联合创始人无疑发挥了至关重要的作用，他是《黑客大曝光》的关键作者之一，同时曾经是Foundstone的创始人以及McAfee的CTO，他对安全趋势的理解，特别是其中“Know How”的理解在业界高管中应该非常突出。而Paloalto 的整个技术发展，创始人兼CTO Nir Zuk以及CEO Nikesh Arora 之间的组合堪称完美，Zuk 对安全趋势的观察和发现能力在行业内可以说有口皆碑，而Nikesh Arora 在加入PA之前是软银的总裁及首席运营官，相信软银的经验对PA的投资并购、业务整合有巨大帮助。

对于国内厂商而言，是在走别人已经走通的路，固然不需要那么黄金的阵容，但作为一把手工程，似乎也是必须的。

四、结语

总之，当前国内安全市场的困境，是市场的问题，更是技术的问题。后续的技术发展已经和早期IPS、AV、FW时代完全不同了，技术的复合性、系统性等高很多，对组织也提出了不一样的挑战，深入思考这种不同才能保障企业作出正确的技术投资决策，通过技术创新跨越红海开创一片新天地。

上面好像写了很多，但也可能像什么都没有写，叙事有些宏大，以至于没有经历过，就不容易理解。后续会更具体的分享一下自己对几个当前热点概念、技术的理解，如检测工程、AI赋能安全、安全SaaS、零信任和XDR等。也更多希望听到你的观点和经验。

• 如果从和数字化转型的关系来看，零信任架构似乎是最关键。无论是企业业务生态构建、混合办公、更多IoT边缘计算，以及效率和体验成为关键目标，这些驱动力都促使真正的零信任架构在安全中处于核心的位置；

• 如果是从市场和技术的变革热点看，似乎趋势应该在数据安全和网络安全的融合上。数据是企业需要优先防护的最重要业务资产，同时当前数据安全和网络安全的融合、以及AI技术的最新发展，使得解决数据安全的痛点问题变得不再遥远，一个重要且具备颠覆力量的领域自然是不能等闲视之；

• 或者我们也可以说大模型才是最重要的趋势。LLM注定是要开启一个新的时代，当前又被市场热烈追捧，主流的安全厂商纷纷在自己的产品中集成大模型相关的能力，这一切看怎能说它没有资格？

这些也许都是对的，但又总觉得是虽有道理，但总是未及究竟。前些天突然想起几年前和一个特殊客户见面，了解他们工作过程时的感触和交流，突然觉得有了答案——网络安全作为一个产业，当前正在从手工作坊模式，迈向现代化工厂的新阶段，这应该才是行业最重要的趋势。

网络安全行业发展了几十年，但即使在今天，我们也还是可以看到一些显著的特点，说明即使网络安全在上一个十年已经有了巨大的进步，但其复杂性却让它整体看上来依然还像是手工作坊：

1. 安全效果更多依赖个人而不是产品，这不仅针对检测响应类产品，即使是防火墙，也常常如此；

2. 虽然组织都尝试培养人才，但专家级人才的培养还是更多依赖实战和时间累积，难以依赖培训形成确定的机制和规模；

3. 核心工作中标准化的比例很少，能够自动化就更少：

4. 对于组织的风险，缺少面向未来的应对机制，更多是不断全面加高水桶，或者依赖被动应对的模式。

5. 无论对具体个人或者安全运营团队的工作，都缺少整体评价的客观标准，这也使安全建设有时过于看重典型案例建设，而不是整体能力发展。

好的一面是几年前就出现了一系列改变的力量，让人看到了希望；而这些力量通过数年发展，越发的成熟和强大起来，让我们可以相信网络安全从手工作坊到现代工厂的转变已经不再遥远，很可能就在当前。

1. 新一代平台化产品：放弃了传统大一统的平台建设理念，新型的平台产品可以聚焦在特定方向的安全及运营能力，让平台不再是一个单纯的工具，同时也是承载知识和流程的一个集合，也因为新一代平台可以承载了绝大多数的运营活动，使其可以使用AI方式去学习、总结之前的运营活动经验，成为一个知识积累和培训的平台。这点在一些MDR支撑平台上体现的尤其明显，而CNAPP、IAM、微隔离上面也看到很多让人眼睛一亮的构思和实践；

2. 自动化技术和理念的发展：时间证明开箱即用的自动化虽然成为一个不错的起点，但其可能带来的自动化程度非常低。好消息是SOAR厂商的不断努力，还是总结出了一套方法和最佳实践，让企业可以遵循特定的方式，将绝大多熟的运营工作都逐步实现自动化、自主化；

3. 威胁情报、威胁建模和检测工程等技术的同步发展，提供了一套系统化的方法，是安全厂商或者企业都可以更有针对性的、基于对未来风险的合理预测去改进及优化自身的防御及响应机制，同时组织也可以根据对手能力的刻画，更合理地形成独立自身团队/个人安全能力的指标，更合理地衡量其能力及工作进展。

4. LLM引发的变革：大模型的发展，虽然尚不能使其替代专业安全人员，但基于大模型构建的行业智能应用却可以承载更多的领域专家知识，作为安全人员的助手，使其培训时间、能力要求都大幅降低；

从整个行业来说，应该说未来已来，但回到当前国内的具体产品和服务发展，我们究竟是可以乘机而上，一举替补国内外当前的巨大差距呢，或者是进一步被拉下来？还没有答案，这需要用每个人的行动一起去回答。对于选择了这个行业的人而言，其中多少是企业成功的需要，多少是行业从业者的荣誉和责任，难以区隔。曾记否，同学少年，中流击水，浪遏飞舟！

在CharGPT引燃的新一轮AI热潮中，安全厂商可以说是其中最积极的一类。安全行业近些年一些深切的痛点，似乎都看到了进一步的解决方案，如：缺少集成和自动化带来的工作过载；业务面扩展后攻击面放大带来的威胁过载（比报警过载也许更准确）；以及行业中持久存在的中高端分析/影响人才短缺的问题。厂商投入的积极性自不待言，从具体场景看：开发安全、情报运营、报警&样本分析、威胁狩猎、攻击链分析、响应处置、事件总结，几乎安全中最重要的场景我们都看到了LLM的身影。更宏观的角度看，LLM不但可以帮助L1层级的分析师在工作中学习专业的知识，更可以学习高级分析师的思路和经验，成为模型的能力。

这些安全厂商还有一个一致的认识，要实现上述场景的价值，单有模型是远远不够的。数据、模型、专家经验&威胁情报，需要整合这些最基本的力量，才能够达成目的。也就是说，生成式AI发展给安全行业带来的机遇，是延续性的，需要安全厂商在上一阶段的平台化产品、自动化编排、情报驱动的威胁狩猎等方面构建坚实的基础，才能够利用这次的机遇形成更大跨越。

这里面提到的数据，不是传统SIEM中的常规日志数据，而是高保真、高质量的遥测数据，跨域的遥测数据整合到XDR平台，这是AI在检测分析方向发挥作用的基础。Cisco在其keynote中重点谈论了这个问题，揭示了其抛弃传统的SIEM思路，投身XDR方向的底层逻辑。同时我们在这次RSA也得到信息，接近半数的CSO依然将SIEM，而不是EDR/NDR/XDR作为安全分析的优先事项。他们尚没有意识到，传统日志型数据在数字化&AI时代的问题：它们不是为规模化分析准备、保真度差同时需要更多的存储空间。

这其中的威胁情报，重点也不是当前使用已经比较广泛的各种战术类情报，而是更能反应攻击者技术、方法、意图等的作战情报。正如CrowdStrike在其最近的安全态势报告中表明的，越来越多的攻击者会使用合法的管理、运维工具来实施渗透，这种背景下只有建立TTP层面的威胁狩猎能力才能保障对攻击的可见性。而这种狩猎能力，建立在对新的TTP的快速跟进基础上；利用AI在数据中产生洞见，要依赖人提供给其洞见的能力，而它去完成后续的常规操作动作。同样的在事件遏制、防扩散、清除加固等环节，LLM也需要从人哪里去学习处置的经验和知识。

综合看，当前AI技术的发展对行业整体是有利的，但是这个机会最终还是只会落给有准备、对趋势有真正理解的厂商和企业哪里。如果一个厂商在数据和情报能力上没有坚实的基础、一个企业在趋势下不能调整自己的建设思路来适应时代。那么我们看到的可能是，攻击者在AI的加持下渗透能力越发强大，而没有做出及时改变和调整的企业成为整个网络的薄弱点，越发被攻击者关注和青睐。时代大潮之下，强者愈强，变者恒强。

1. 合规对实际安全效果没有价值

合规是安全的必要条件，但不是充分条件。当前合规性制度往往是基于过去经验总结的安全基线要求。遵循它们固然达不到大多数企业必须的安全性要求，但也是有其价值的。

1. 每个企业都是攻击目标

大多数组织并不是定向攻击者的目标，他们需要应对的是随机攻击者。这些攻击者更多是在寻找存在明显弱点、容易得手的目标，而不会专注于一个固定目标。理解这种攻击目标选择的差异，对建立合理的防御机制至关重要。

1. 安全和用户效率不能兼得

一方面希望通过复杂的认证和授权机制来加强安全性，另一方面需要保证用户更便捷的使用网络、提升效率。这两者并不是不可平衡的，当前中有很多创新的技术和方法，可以保障两者兼得，如：动态多因子认证、无密码认证、业务访问策略推荐智能化等。

1. 封闭系统比开放系统更安全

当前还是有一部分人会觉得内部隔离网比云环境更安全，因为只有特定用户才能访问资源。而现实中可能不存在完全封闭的网络，同时内部违规、凭证泄漏和内部攻击等情况也是需要考量的问题。而云环境下往往有更完善的安全机制，包括访问控制、加密、隔离等。两者的安全性不必然孰强孰弱。

1. 没有足够多的安全专业人员

面对人员短缺问题的首先要思考的是当前工作效率是否足够高，组织的流程和技术架构是否可以保障安全专业人员可以更好的完成工作，减少不必要的重复工作及额外负担。这些许是更有效的途径，否则培养再多人也可能避免不了流失的风险。

1. 管理层不关心安全

安全投资本质上是一种风险决策，除了特定情况下某些安全机制是强制性的（如合规性要求），而特定风险如果企业选择容忍，并不一定是一个错误。同时也要考量从风险的角度，方案表述是否足够清楚，技术/方法选择是否合理。

1. 开源更安全

当前软件供应链安全中最需要关注的之一就是开源软件的安全问题。开源软件固然可能有更多的人去做代码审查，但其生态相对复杂，其中问题也就比较微妙。同时一些开源项目的灵魂人物离开，对其整体质量影响会非常大。

参考：https://www.philvenables.com/post/cybersecurity-and-the-curse-of-binary-thinking

初始：平台+订阅是一种值得效仿的业务模式

刚开始关注订阅是从分析Fireeye、PaloAlto等几家公司开始，发现PaloAlto营收增长基本是靠订阅驱动起来的：在FWaaS的基础上，PaloAlto先后构建了10多个不同的SaaS化订阅服务。不但使其防火墙具备其它厂商难以匹配的安全能力，并且在易用性、灵活性和性价比上也比较突出，同样重要的是基于平台加订阅的方式，使交叉销售和追加销售以较低的销售成本得以实现。当时就觉得这是一个非常值得效仿的模式。曾经也注意到PaloAlto为了帮客户选择其最需要的订阅，以及如何让客户感受到这些订阅的价值而做的大量工作，对此觉得确实非常必要，但并未真正理解其中的内涵。而后续CrowdStrike的快速发展，使平台+订阅的模式更加受到关注，大家也多了一个可以研究和效仿的对象。

国内这些年希望能效仿这种订阅模式的安全企业并不少，但个人看到的却未有成功者，更多成为一种财务上的数字游戏，并没有海外企业那里看到的产品竞争力和客户价值。这不由让人去思考，我们是有哪里做的不对吗？

转变一：订阅是软件行业的一场革命

偶然机会看到一篇文章，在讲订阅的缘起，而后恍然大悟。笔者认为订阅是软件行业为了生存而进行的一场自我革命。在订阅模式之前，软件质量（客户满意度）是CTO、研发团队才更要关注的问题，而他们在整个销售生命周期可以起到的作用是有限的，自身产品和客户期望之间难以弥合的差距使软件行业的发展非常困难。而订阅模式改变了这一切，因为它使产品质量问题成为了公司所有部门的需要同时关心、共同解决的问题，例如：

• 销售部门需要考虑的不只是把产品卖出去，而且要考虑卖给真正需要它，并彼此适合的那部分客户手里；

• 售后服务团队，不但要考虑客户各种问题求助/投诉，同时更需要考虑让客户真正用起来，并且形成较强的产品价值。为此可能还会成立专门的客户成功团队。

• 产品团队：不但要考虑到产品演示和POC测试阶段的效果，以保证可以顺利拿下项目，同时还需要更多考虑实际使用场景，让产品如何能真正发挥出承诺的价值，而不是在销售概念。

整体而言，所有关键部门都不再仅负责销售周期的某一阶段的工作而是围绕客户价值全周期工作。如果销售还是仅考虑签单，而不考虑当前产品到底适不适合这个客户，那么订阅可能中断，其前期大量的销售工作产生的收益就大打折扣。这样让笔者不由想到，当初对Paloalto行为理解的粗浅，不知道让客户选择到最需要的订阅服务并不简单是一个知识传递的问题。

理解了这些，就对很多公司的订阅服务上难以成功有了解，订阅不是单纯的交付方式和售后环节的变化，而是在整体上重塑了一个公司的文化和市场行为模式，它从根本上改变了内部驱动和考核机制。它是实实在在的颠覆式的革命，而不是一种渐进式改良。如果仅仅把订阅看成一种获取更高营收、利润的方式，那就更是大错特错了。

转变二：关键是吸取有价值的思路

回到现实中，国内的订阅业务，特别是网安行业的订阅业务究竟会如何发展呢？需要认识到国内企业，切实向订阅转型的驱动力是不足的：

1. 中国网安市场还是一个非充分竞争的市场；

2. 在产品集成/平台化需求逐渐成为关键诉求，国内网安创业企业缺少连续创业背景的创始人，极少能对成熟企业形成重大挑战，并且订阅在其中也不是有效的竞争手段；

3. 对成熟企业而言，产品技术落后于海外企业，彼此间陷入同质化竞争，这带来的增长乏力是其最关注的。订阅作为一个长期重要的方向，并不是最优先的事物。

不同企业采取了不同的方式来尝试化解成长的难题：有的推出更多的产品；有的进一步增强售前行业解决方案的能力；还有的在考虑如何进行技术创新，来进一步增强产品本身的竞争力。对于采取最后一种方式的企业，技术创新中大概率会使用到SaaS化能力交付，这会引入部分订阅业务；同时必然存在新技术/创新如何改变客户心智、价值感受的问题。这时从订阅成功案例中吸取对应的养分，可以帮助加快构建某些特定能力：

• 如何基于市场普遍痛点来选择创新方向，并构思市场话术；

• 如何为产品找到对的客户，而不是为熟悉的客户销售更多产品；

• 如何不再仅为了样板点，而是为了验证普遍性效果来运作实验局；

• 如何通过客户成功的运营，来找到价值呈现、弥合短期内客户的期望落差；

• ……

小结

国内网安市场的特殊性，使的参照国际厂商在订阅上的成功经验，但其过程中技术、市场上的具体动作，还是有非常高的研究参考价值。从中吸取对自身有益的成分，也许是摆脱内卷、减少无效技术投入，紧跟技术发展的有效方法。

世上本无妙手

小说《天道》中的丁元英讲——“这世上原本就没有什么神话，所谓神话不过是常人思维不易理解的平常事”。套用在这里可以说：长时间坚持做正确的事（本手），能带来的改变是大多数人难以想象的，就会想象妙手的存在，而它并不是真实存在。

在外部看来，有些产品会带来不一样的价值感，让人心生喜欢，乃至产生震撼，似乎存在什么特殊的魔力。但从产品实现者看来，不过是滴水穿石。对价值的深入理解、对技术的活学活用、对质量的不懈追求，最终形成的产出，既在意料之外，又在情理之中。不谈那些耳熟能详的案例，单从个人参与的一些产品讲，外部来说算是有创新、市场反馈和效果也还不错，但在过程中核心考虑的还是怎么能对更多人有用、怎么能解决最普遍的问题，也算是一直追求做正确的事。过程中感受到做正确的事很难，如果要长期坚持，那就是难上加难。

本手何以难得

为什么难，原因很多，有4个方面个人感触更深，专门拿出来讲一下。

1. 困难一：终身学习，持续成长

终身学习是大多数人都认同的，但其中还存在认知盲点，使无论组织或者个人，要从终身学习中获益并不容易。其一是最终可以产生高价值的知识都需要系统化，单一的新观点或者新技术如果不能系统性的理解很难利用好，反而容易形成追时髦、赶热点。我们外部接触到的信息，大都是碎片化、甚至低质量的，并且这种碎片在“知识付费”、“流量经济”的刺激下，充斥了大多数的数字空间，有时感觉自己在学习，其实是成了别人的消费品。这种情况下如果没有明确的目标、系统的方法，就难以谈终身学习。其二是学习的最高价值，不是获取知识，而是更新思维模式。可无论人和组织，成长到一定阶段再要更新思维模式，就非常困难。而需要面对的问题必然在发生很大的变化，更不要说当今科技、文化的变迁已经比几十年前快了10倍、100倍。现实中，往往只有面对失败或者巨大的挑战，才可能触发深入反思，去刷新底层逻辑。

1. 困难二：理解市场、理解痛点

理解市场，需要到一线去了解客户真实的声音，接受炮火的考验，但仅有这样的认识并不够。首先如何让双方没有关键性的信息差，保障正确的了解对方想要表达的意思就不容易，越到大企业，因为其业务、组织结构的复杂性，想通过几句话、几次沟通，就理解对方准确的想法非常难。可能往往丢失掉最重要的信息，只认识到自己已经掌握的那部分。举一个侧面的例子，最近的ChatGPT讨论，一个了解到ChatGPT 突破性的技术进展是什么的人，和一个实际使用ChatGPT 做测试体验的人，如果他们一起讨论可能的使用场景，双方应该都很难理解对方的话语。

其次ToB业务的决策链很长，需要满足的需求往往也不是单一来源，这其中也增加了需求管理的复杂性。几年前网安行业公开讨论过，客户和用户的需求选择问题，似乎大多数人倾向于满足客户的需求。你不了解客户，不能满足他的诉求可能就没有项目机会，但如果你不能了解用户，针对痛点给出有价值的方案，即使可以完成一些项目，但最终可能因为实际价值有限而难以长久和规模化。客户、用户如果不同，在特定时间固然需要有一个优先级的选择，但如果一味的侧重某个类型，最终难逃失败的命运。

理解市场还有一点也很有挑战，除了收集客户告诉你的痛点，还需要持续思考和探索最本质的原因，有些时候表象也许一致，但内里的原因可能是截然不同的。就比如国内安全圈这两年比较关注的报警太多的问题，针对不同产品和不同企业，也许是缺乏专业运维人员、也许是特征规则质量问题、也许是行为检测功能不完整、又或者是缺少足够上下文进行优先级排序。对方提到的问题也许是一个，但其根本原因却截然不同，不找到本质的原因就不可能真正的解决问题。

1. 困难三：做一些长期但重要的事

长期而重要的事，往往是能带来更大价值的工作，却往往面临两个问题：怎么证明投入会有价值，投入的人怎么证明自己的绩效？最近跟进ChatGPT，也发现了一个类似的案例。ChatGPT是在成熟度并不足够的情况下对外发布的，也许技术进一步成熟，和其他项目拉开更大差距时再发布更合理，但为什么是现在？从一些侧面消息看，微软的CEO虽然坚定地支持OpenAI，但也从内部受到了很大的压力，据说2022年下半年Satya Nadella希望在算力等资源上支持OpenAI时，在内部遭受了反对，他只能压缩控制范围内的其他项目为OpenAI提供资源。这时需要一个证明——在OpenAI上的投入是值得的，也许是这个原因让我们在2022年底体验到了AI 在未来的一种可能性。以Satya Nadela 的成就，要支持一个长期的投入尚会如此，对于其他企业，其余地位的人，更是可想而知。也许我们还应该庆幸，Satya 本人对AI可能带来的变革有足够的预判，也能够持续地了解实际的进展细节，让他有足够的自信去长久支持OpenAI，也让我们看到了一个可能的AI奇点时刻。

1. 困难四：构建复合型团队

自主型团队在创新和高效解决问题上的优势已经被很多公司认同。但同时知道自主型团队构建并不容易，特别是团队领导者的选拔和培养。而数字化转型中，新技术、新方法，以及平台化、SaaS化趋势，使一个自主型团队需要具备的关键技术能力远远高于之前。10年前一个IPS盒子产品，相关重要技术就是3-4种，而当前一个EDR产品，关键技术至少10种以上，如果是XDR，那么数字又要翻一番。这种情况下，使自主型团队在人员招聘、组织管理、业务协作上都带来了非常大的挑战。如果放弃自主型团队的方法，采用矩阵或者职能的方式，在团队沟通、部门合作、提高效率上又面临了新的挑战。这件事上没有所谓正确答案，只能是不同组织依照其文化底蕴、组织现状来做出自己的选择。但无论选择何种方式，过程都会充满问题和矛盾。

不忘初心，方得始终

提笔之前，本意是对自己的一些思考做形而上的总结。但写到最后，不知是否会搞成一篇劝退文？但无论如何，人生在世，除了生存，总还是需要做一些让自己可以认同自身的事。做正确的事，确实很难，但无论困难多大，挑战多久，必是不忘初心，方得始终。

1. 当前市场上绝大多数成功产品，依赖的是正手，这其中有其必然性；

2. 要做到“正手”，并不容易，其中有非常多的挑战。

就照这两点分别讲讲自己的理解。

本手、妙手、俗手

从围棋的角度，本手是指合乎棋道的正规下法；妙手是指出人意料的精妙下法；俗手是指貌似合理，而从全局看通常会受损的下法。通常认为应该从本手开始，建立基础，棋力才会提高，如果初学者热衷追求妙手，反而难免下出俗手。

如果转换到产品领域，可以认为本手是指基于对市场需求和技术发展的理解，循序渐进做出满足市场需要的产品；妙手是具备颠覆性创新的产品或技术；而俗手是指不符合市场需求和技术发展规律的做法。现实中普遍存在的一种想法，是希望找到一种颠覆性的产品思路和技术，能够让后进入者或者落后者可以迅速打开市场，就如同智能手机战胜了传统手机、SaaS化的EDR战胜了传统的杀毒软件。

从外部视角看，它们确实是出乎很多人的意料之外，但从具体发展过程看，苹果在智能手机上的成功，或者CrowStrike在终端安全上的崛起，都更像是本手，而不是妙手。

本手才是成功的关键点

从理论上讲，技术框架或者战略方向的选择，可以决定一件事的上限，如果技术框架或战略方向错了，确实很难做到领先，但更重要的问题是，同一方向上的上下限可以非常遥远，是否能达到上限更多有工程技术实践来决定的。Apple和Crowdstrike的成功，更多体现在具体工程实现上。

智能手机的出现要远早于IPhone的发布时间，这个领域很早就有一些厂商在提供产品，如Palm、HP、Sony等，笔者就使用了其中多款的智能手机，当下认为的很多产品和技术思路，也都在产品中有实践，如第三方应用生态、虚拟键盘等，但都觉得有用而不好用，只适合极少数工作上有关键需要的人。乔布斯在离开苹果之前也曾经做了一款智能手机的产品，但也失败了。乔布斯回到苹果后，可以成功颠覆手机市场，更多是基于对客户和相关技术的发展有了深刻的理解，构建了更可行的产品和技术路线。IPhone让人感觉使用智能手机是一件快乐的事，而不再是体验很糟糕但工作又需要的东西。

CrowdStrike 同样也不是安全SaaS的开创者，笔者比较了解早于CrowdStrike的厂商中，最值得一提的可能就是Fireeye。 对Fireeye 云端沙箱和本地产品的互动分析，开启了我对SaaS化的理解。同样的，Fireeye也是较早投入做MSS服务的安全厂商。可以这样讲，早几年前安全理念、技术方法上有价值的观点和思路，往往都是Fireeye率先提出的，但“王侯将相今何在”？就起原因，Fireeye缺少下“正手”的能力，这里面有公司治理的问题，更多也有文化的问题，当Fireeye为自己的云端分析平台打上“分析师为分析师开发的工具”这样的标签时，不知道是否考虑过到底有多少企业存在他们类似能力的分析师。

颠覆性技术即使出现，从发端到完善需要很长的时间，在这个过程中其实大多数被颠覆者很早就知道这种可能性。之所以被颠覆其实是组织内部的问题，不知道如何化解既有利益形成的矛盾，难以构建有活力的高效团队投入相关方向，等等。这个时候企业的衰落，更多可以说不是外部的原因。

正手在初看的时候，往往平平无奇，但其实又很难做到，但在“正手”上的持续投入，持续做正确的事，积累下来就可能是外人眼中的奇迹。就像最近大火的CharGPT，就是对Googel提出的Transfomer模型不断的进行工程优化训练而产生的，这里面OpenAI更多的进步是在工程层面的。当所有人在感叹CharGPT的颠覆式影响时，OpenAI的工作到底是本手呢，还是妙手？

这周就写到这里，下周我们进一步谈谈本手为什么难得，以及本无妙手的话题。

多年后带上家属第二次去意大利。出门前临时抱佛脚看《米开朗基罗》传记。看完感慨，如果说年轻时候折服于大师的才华横溢，这本传记让我了解到大师作为“人”更完整的部分：

• 高超的理财水平，让自己和家人过上相对富裕有保障的生活。

• 诗人，用一首十四行诗记录自己为西斯廷壁画所付出的辛劳工作。

• 企业管理者先驱，组织数百人团队合力完成那些伟大作品，虽然瑕疵不少。最令人惊叹的是，他可以叫出数百人中任何一位工人的外号和昵称。

• 他还是一个追求理想的人，为了心中的共和理念，不惜背叛他的挚友教皇，以建筑师身份负责佛罗伦萨的城墙防御，承受十个月的艰苦围城。

Vasari笔下那种人物是被雕塑家从石头中解放出来的说法，实在太过忽略艺术家的肉体之身以及创作的艰苦和巨大挑战。因为“只有经过数千次方向精确、力度适中的敲击，才能让一座雕像具有生命。大理石雕刻困难，且从不原谅错误。”对此最理解他的，则是一直以来的对手——莱昂纳多.达芬奇，后者在自己的笔记中如是说。

创造作品时，雕刻家运用手臂的力量消磨着大理石或其他坚硬的材料，他的对象蕴含其中。进行的过程时最机械化的劳动，通常会大量流汗，汗水混合大理石屑形成泥浆，涂满他的脸。大理石屑洒满全身，让他看起来像个面包师傅。他的背上布满碎石，彷佛刚刚刮过大雪。石粉、石屑让他家里脏兮兮。

这次旅行，我家摄影师用长焦记录了很多老米作品的细节，尤其《大卫》。现场往往震撼于作品的宏伟、体态的健美、坚定的神情以及展示的力量。但下来看到作品的细部，感受肌肉的张、血管的跳动、指尖的力量，作品被赋予的生命力，叹服于他和它的伟大。

关于《圣殇》，有三个时期的作品。第一个完成于老米23岁，现在梵蒂冈大教堂。第二个作品，老米于72岁左右开始创作，现在佛罗伦萨的Museo dell'Opera del Duomo。第三个是他最后的作品之一，作为自己的陵墓标志，也是一件未完成作品。

最后《圣母》这个作品，拍自布鲁日小镇访友日。

其兴也勃焉，其亡也忽焉。曾经的璀璨文明现今只能在遗迹中追思。

爱与生活

1 卢浮宫

初访雪中的卢浮宫，我因为恶趣味，非要拉着摄影师跟我去找那张枫丹白露画，感觉在里面历经周折。找到以后，遭到摄影师吐槽恶俗。当然，也顺道看了卢浮宫里最有名的三个女人，以及米开朗基罗的奴隶。PS，虽然打卡多次，我还是miss了拉斐尔的圣母，最后看摄影师照片才发现。

2 奥赛

奥赛是我的挚爱，多年前第一次去就深为倾倒。博物馆很美，里面也能遇上各种美人儿。回想在里面，时光仿似停滞。

赶上了Degas的特展。

梵高的《星夜》以及Jean-Francois Millet的《拾穗者》。

3 毕加索

原本想找到记忆中的画来个旧地重游照，但因为三月份的《格尔尼卡》布展准备，关掉了博物馆两层，很多重要作品这次没有看到，记忆中的Lover还有The kiss也都没有。按照博物馆导读，了解到毕加索各个时期如何借鉴、学习经典，从中获取灵感，并以作品进行致敬。比如他对Manet《草地上的午餐》的致敬，八卦一下当年Manet这幅画作中的裸女也为自己引来各种争议。另一张画里慵懒的身姿则依稀可见安格尔的《土耳其浴女》的影子。毕加索有一句话算是对他自己最好的注解：“当我还是孩子时，常常像拉斐尔那般作画，然而我却花了一生去学习如何像孩子一般画画。”

4 吉美美术馆

去过吴哥窟以后，就一直惦记着吉美美术馆里高棉的微笑。

5 罗丹美术馆

6 其他

宁静的布鲁日，好友狗熊和夫君全程陪着，往返布鲁塞尔和布鲁日，满足了我各种心愿，红鼻子、巧克力、啤酒、米开朗基罗的一个小作品，还有了解了各种比利时人文历史。狗熊说，她那天大概用尽她一年的大部分说话配额，当一个称职的地陪容易吗。

亚历山大三世桥是拍铁塔夜景的最佳机位，倒影美如烟花。

值得细细品味的蒙马特高地。

巴黎圣母院的滴嘴兽。不知何故我这一次还是错过了mm多年前分享过的后花园。

雪瓦尼城堡cosplay丁丁的不太成功造型，感谢摄影师的配合。

伪文艺青年的打卡

玛德琳教堂音乐会

6 写在最后的

幸好申请申根签证需要行程单，我翻出了当时的计划，可能因为体力问题，有些安排临时被砍掉，但大体出入不多。